学习 MiniGPT-4 如何仅通过一个线性投影层连接冻结的视觉编码器和大语言模型，实现图文理解与多轮对话，并降低多模态对齐成本。
学习构建图文指令数据集，对视觉编码器与大语言模型进行联合微调，使多模态模型能够遵循自然语言指令，理解与回答视觉内容。