MAmmoTH-VL ist eine großskalige, multimodale Inferenzplattform, die durch Anweisungsoptimierungstechniken die Leistung großer multimodaler Sprachmodelle (MLLMs) bei multimodalen Aufgaben deutlich verbessert. Die Plattform nutzt Open-Source-Modelle, um einen Datensatz mit 12 Millionen Anweisungs-Antwort-Paaren zu erstellen, der diverse, inferenzintensive Aufgaben abdeckt und detaillierte und nachvollziehbare Begründungen liefert. MAmmoTH-VL erzielt in Benchmarks wie MathVerse, MMMU-Pro und MuirBench state-of-the-art Ergebnisse und unterstreicht seine Bedeutung für Bildung und Forschung.