本研究提出了ReGraP数据集和ReGraP-LLaVA模型，旨在解决个性化多模态大语言模型在多对象关系推理中的局限性。该模型通过结合知识图谱和链式问答，显著提升了个性化知识学习和关系推理能力，表现出色。

基于城市规划需求，开发了多模态多任务的VQA数据集（EarthVQA），旨在推动基于关系推理的判断、计数和综合分析。SOBA框架以物体为中心，提出了语义物体感知的方法，通过对象语义生成和对象引导的注意力，以及双向交叉注意力，对复杂关系推理进行了先进的视觉问答模型优化。实验证明，SOBA优于现有的通用和遥感方法，该数据集和框架为地球视觉的复杂分析提供了一个强大的基准。

该研究探讨了Transformer在抽象符号关系推理任务中的表现。研究发现，Transformer需要大量训练数据才能泛化，且随着嵌入维度的增加，泛化能力下降。研究提出了微调Transformer的方法，通过添加可训练参数来减少所需数据量。