英文：Visual Instruction Tuning 分类：multimodal
用图文指令数据微调视觉-语言模型，使其能遵循多模态指令（看图问答、引用、编辑）的范式。它是 LLaVA 类模型的训练核心。
数据：图文问答对（GPT-4V 生成）、引用/区域指令、多轮对话；流程：视觉编码器+投影层+LLM 冻结预训练→指令微调全参/轻量（LoRA）；评测：MMBench、MM-Vet 等多模态基准。
用于构建多模态助手（ChatGPT-4V 类）、具身智能指令训练与文档/图表智能体；视觉指令微调是"多模态对齐"的标准化流水线。