本文介绍了视觉对话任务，通过图像、对话历史和问题，要求AI智能体与人类进行对话。提出了基于视觉的测试方法和二人聊天数据收集协议。利用多个编码器和解码器，超越了基准线，并评估了机器和人类在视觉对话任务上的性能差距。