LLMs 作为视觉解释器：通过演变的视觉描述推进图像分类

将视觉语言模型（VLMs）与大型语言模型（LLMs）相结合的迭代优化与视觉反馈方法，显著提高了图像分类性能，并产生了可解释和稳健的特征描述符。

本文介绍了一种使用可缩放矢量图形（SVG）格式处理图像的新方法，弥合了视觉和文本模态之间的鸿沟，提高了对分布偏移的鲁棒性。通过简单的图像分类、生成和上下文学习，展示了该方法在鉴别性和生成性任务上的潜力。