大型视觉-语言模型（LVLMs）通过在特定数据集上进行视觉指令调优，在视觉问答和推理任务中取得了令人印象深刻的结果。然而，在对齐视觉和语言模态方面仍存在显著的改进空间。现有的方法通常依赖外部模型或数据，导致对齐结果难以控制且不稳定。本文提出了一种自提升框架——SIMA，该框架无需外部依赖即可增强视觉和语言模态的对齐效果。SIMA利用现有的视觉指令调优数据集自动生成响应，并结合了上下文中的自批评机制来构建偏好对用于调优。重要的是，我们的方法通过设计有效的批评提示，使LVLMs能够充当批评者，从而消除了对外部指令数据进行额外微调的需求。我们在自批评过程中引入了三个新颖的视觉指标，以指导判断过程，显著提高了自批评的准确性。通过在14个幻觉和全面基准测试上的广泛实验，我们证明SIMA显著提升了LVLM的性能，并优于先前的方法，实现了更优越的模态对齐效果。