視覺指令微調：從看圖說話到智慧助理

對齊與有用之間的鴻溝

只見過圖文對的模型是個流利的看圖說話者：你問它什麼，它都傾向於描述。但使用者要的是對話夥伴——「比較這兩張圖表」「這個迷因為什麼好笑？」「把收據抄下來並結算總額」。彌合這道鴻溝正是視覺指令微調的工作：在圖像錨定的對話上做一輪監督式微調，直接承襲把基礎 LLM 變成助手的指令微調做法。

指令資料從何而來

LLaVA 背後的自舉技巧：你通常沒有人工撰寫的多模態對話，但你確實有附帶豐富影像標註的資料集——描述、物件框、區域說明。把那些文字標註（沒有像素）餵給一個強大的純文字 LLM，請它就場景虛構出多樣的問答對話。文字 LLM 從未看過影像，但因為標註忠實，生成的對話便有依據。接著你在（影像，生成對話）對上訓練 VLM。

收集附帶密集標註的影像（描述 + 框 + 區域文字）。
提示一個文字 LLM 寫出三類回合：對話式問答、詳細描述、複雜推理。
篩選忠實度——丟掉任何標註無法支持其斷言的回合——再在這些對上微調已橋接的 VLM。

p_\theta(\mathbf{X}_a \mid \mathbf{X}_v, \mathbf{X}_{\text{ins}}) = \prod_{i=1}^{L} p_\theta\!\left(x_i \mid \mathbf{X}_v,\ \mathbf{X}_{\text{ins}},\ \mathbf{X}_{a,<i}\right)

視覺指令微調最大化在圖像與指令條件下答案詞元的似然。

交錯圖片與文字

真實文件不是一張圖配一個問題——而是網頁、教科書與聊天紀錄，其中圖與字自由交替。交錯圖文建模把整體當成單一序列，影像佔位符落在它們出現的任何地方，並訓練模型在兩種模態上預測下一個 token。這正是解鎖情境內多模態能力的關鍵：在提示中展示兩個做過的視覺範例，模型就能為第三個接上同樣的模式——這是少樣本提示的多模態對應。

把答案錨定到區域

「有用」往往意味著指出來，而不只是描述。視覺錨定是把一個詞組所指的影像區域定位出來的能力——「左邊那個小孩拿著的傘」。現代的技巧簡單到令人卸下心防：把一個邊界框序列化成文字，例如 `[x0,y0,x1,y1]`，讓模型在答案中把座標當成普通 token 吐出來。如此一來，錨定、指涉表達理解、甚至偵測，都成了下一個 token 預測的特例，從錨定的指令資料中學會。

User: Where is the dog?  <image>
Model: The dog is on the sofa <box>[412,233,690,540]</box>.

把座標當成文字 token 吐出，就讓錨定變成普通的生成。

讀懂文件、圖表與截圖

真實價值有很大一塊是多模態文件理解：在表單、表格、圖表與 UI 截圖上回答問題，而其中版面配置本身承載意義。前沿做法是免 OCR 的——與其跑一個獨立的文字辨識器並失去空間結構，VLM 直接讀像素，學會對字符、位置與圖形聯合推理。瓶頸在解析度：小字體需要許多高解析 token，這正是上一篇的重採樣與切塊橋在此如此重要的原因。

N_{\text{tok}} = \left\lfloor \tfrac{H}{p} \right\rfloor \cdot \left\lfloor \tfrac{W}{p} \right\rfloor

視覺詞元數量隨解析度增大、隨圖塊尺寸增大而減少——詞元太少，座標軸標籤根本無法辨識。