本文探讨了视觉语言模型（VLM）在视觉识别任务中的应用及表现，介绍了训练和评估方法。研究表明，通过改进编码器和利用大型语言模型（LLMs），可以显著提升视觉模型的性能，尤其在低样本图像分类任务中。同时，整合分类聚焦的数据集也能提高模型的准确率。

该文介绍了一种基于CapFSAR框架的视觉文本聚合模块，能够在低样本情况下实现更全面的分类。在多个标准的少样本基准实验中，该方法表现优于现有方法，并达到了最先进的性能。