本研究分析了视觉-语言模型在生成指称表达时的不足，提出了新数据集RefOI，揭示了模型在识别参照物、信息冗余和人类偏好不匹配等方面的缺陷，强调了实用性模型的重要性。

在信息爆炸的时代，传统搜索引擎面临信息冗余和广告干扰。AI搜索工具凭借强大的语义理解和内容提炼能力，提供更精准的搜索体验，提升用户效率。它们分为通用、特定领域、创意界面和集成助手等类型，广泛应用于学术研究、医疗咨询和编程支持等领域，未来发展潜力巨大。

本研究提出了一种新的跨模态哈希检索框架PromptHash，旨在解决现有方法在语义保留和信息冗余方面的不足。通过引入亲和提示学习机制和自适应融合架构，该框架显著提升了图像与文本之间的检索性能，尤其在NUS-WIDE数据集上表现突出。

本研究提出了一种主从编码器架构的专利文本摘要生成模型（MSEA），有效结合专利说明书与权利要求，解决了生成质量不足、新术语OOV及信息冗余问题。实验结果表明，MSEA在摘要生成的准确性和非冗余性上显著优于现有模型。

本文探讨了视频理解中的模型局限性，提出了atemporal probe模型和SPOT Prober方法，以增强事件理解能力。通过MVBench和Event-Bench基准测试，评估视频大型语言模型（Video-LLMs）的表现，发现GPT-4o模型在准确率上优于其他模型。此外，研究提出了HEM-LLM和EventHallusion基准，以解决信息冗余和幻觉问题，推动视频理解领域的发展。