本研究提出了一种新方法HIST，通过引入句法损失来增强视觉语言模型（VLM）的训练，解决图像与文本配对的粗糙对齐问题。HIST显著提升了VLM在视觉基础和图像-文本检索等任务中的性能，强调了结构化学习的重要性。