文章主要内容和创新点主要内容本文聚焦于二进制图像-文本相关性评估任务（判断图像与文本“相关”或“不相关”），针对该任务中文本格式多样、相关性定义随场景变化等挑战，提出了基于多模态大语言模型（MLLM）的解决方案LLaVA-RE。模型设计：LLaVA-RE基于LLaVA 1.5架构，通过引入详细的任务指令（明确相关性定义）和多模态上下文样本（提供少量示例），提升模型对复杂场景的适应能力。数据集构建：由于缺乏针对复杂图像-文本相关性的公开数据集，本文创建了一个涵盖多种任务的二进制相关性数据集，包含对话、段落描述、食谱配料等多种文本格式，并精心设计了正负样本的采样策略。实验验证：在训练任务、保留任务和未见过的任务上的实验表明，LLaVA-RE相比原始LLaVA 1.5在准确性上有显著提升，验证了任务指令和多模态上下文学习的有效性。创新点首次基于多模态大语言模型（MLLM）构建二进制图像-文本相关性评估模型（LLaVA-RE）。创建了一个涵盖多样任务的新型二进制相关性数据集，其中正负图像-文本对经过精心采样。通过引入任务指令和多模态上下文学习，LLaVA-RE相比原始LLaVA 1.5在复杂相关性评估任务上表现更优，验证了框架的有效性。摘要多模态生成式人工智能通常涉及根据一种