本研究针对 SemEval-2025 任务 1 中的挑战，即根据给定名词复合词对图像进行排序，采用了生成性大语言模型和多语言 CLIP 模型，以增强习惯用语复合词的表示。研究发现，通过这种方法提取的多模态表示优于仅基于原始名词复合词的表示，显示了该方法在多语言环境下的潜在应用价值。

研究发现，大型语言模型在理解习惯用语时常因缺乏语境而失效，表现受搭配频率和句子概率影响。这对提升模型处理习惯用语能力很重要。