The Revolution of Multimodal Large Language Models: A Survey

Davide Caffagni, Federico Cocchi, Luca Barsellotti, Nicholas Moratelli, Sara Sarto, L. Baraldi, Marcella Cornia, R. Cucchiara

arXiv:2402.12451 · 2026-07-27 공개 · arXiv · PDF

vision-language benchmarking image-generation instruction-following model-architecture multimodal-llms visual-grounding training-data

Abstract

Connecting text and visual modalities plays an essential role in generative intelligence. For this reason, inspired by the success of large language models, significant research efforts are being devoted to the development of Multimodal Large Language Models (MLLMs). These models can seamlessly integrate visual and textual modalities, while providing a dialogue-based interface and instruction-following capabilities. In this paper, we provide a comprehensive review of recent visual-based MLLMs, analyzing their architectural choices, multimodal alignment strategies, and training techniques. We also conduct a detailed analysis of these models across a wide range of tasks, including visual grounding, image generation and editing, visual understanding, and domain-specific applications. Additionally, we compile and describe training datasets and evaluation benchmarks, conducting comparisons among existing models in terms of performance and computational requirements. Overall, this survey offers a comprehensive overview of the current state of the art, laying the groundwork for future MLLMs.

한국어 요약

한 줄 요약

다중모달 대형 언어 모델(MLLMs)의 최근 발전과 주요 연구 방향을 종합적으로 조사한 리뷰 논문.

핵심 기여도

핵심 아이디어

MLLMs는 텍스트와 시각 정보를 통합하여 대화형 인터페이스와 지시사항 수행 능력을 제공하는 것이 핵심 목표이다. 이는 단일 모달 아키텍처를 결합하고, 시각-언어 어댑터를 통해 효과적인 연결을 구축하는 데 기반한다. 특히, CLIP 기반 시각 인코더와 LLaMA, Alpaca, Vicuna 등 다양한 언어 모델이 MLLM의 주요 구성 요소로 활용되고 있다. 또한, 시각 지시 학습(visual instruction-tuning)과 PEFT 기법(예: LoRA, QLoRA)이 MLLM 훈련의 핵심 전략으로 등장하고 있다. 이러한 접근은 모델의 다중모달 정렬과 지시 수행 능력을 향상시키는 데 기여한다.

기술적 접근법

주요 결과

의의 및 한계

이 리뷰는 MLLM 연구의 현재 상태를 종합적으로 정리하고, 향후 연구 방향을 제시하는 데 기여한다. 특히, 기존 리뷰가 다루지 않았던 시각 정착, 이미지 생성 및 편집 작업을 포함하여 MLLM의 주요 구성 요소와 훈련 전략을 체계적으로 분석한 점에서 차별화된다. 그러나 MLLMs는 환상 생성, 편향 생성, 높은 계산 부담 등의 문제를 여전히 안고 있으며, 이에 대한 해결책이 필요하다. 또한, RAG 기법의 시각적 확장과 안전성 확보는 중요한 미래 연구 주제로 제시된다.

실용적 활용

MLLMs는 의료, 교육, 콘텐츠 생성 등 다양한 산업 분야에서 활용 가능하다. 예를 들어, 시각 정보를 기반으로 대화형 인터페이스를 제공하는 의료 상담 시스템이나, 이미지 생성 및 편집 기능을 활용한 디자인 도구로 활용될 수 있다. 그러나 높은 계산 부담과 안전성 문제를 해결해야 실용화가 가능하다.