본 논문은 다중 모달 대규모 언어 모델(MLLM)의 분포 이동 상황에서의 성능 저하 문제를 해결하기 위해, 표현 학습 관점에서 새로운 방법을 제시합니다. 기존 방법들이 더 많은 데이터나 큰 모델을 필요로 하는 것과 달리, 본 논문은 정보 병목(IB) 원리를 활용하여 MLLM의 변분 하한을 유도하고, 실용적인 구현 방법인 Visual Instruction Bottleneck Tuning (Vittle)을 제안합니다. Vittle은 MLLM의 정보 이론적 강건성 지표와의 연결성을 통해 이론적 정당성을 확보하며, 45개 데이터셋(30가지 분포 이동 시나리오 포함)에 걸친 세 가지 MLLM에 대한 실험 결과를 통해 분포 이동 상황에서 MLLM의 강건성을 향상시킴을 보여줍니다. Vittle은 최소한의 충분한 표현 학습을 통해 강건성을 향상시키는 것을 목표로 합니다.