本研究提出了一种新方法SCRAMBLe，旨在提升多模态大语言模型（MLLMs）的组合推理能力。通过训练模型区分正确与错误的图像标题，该方法在多个视觉语言基准测试中显著提高了性能，并对一般问题回答任务产生了积极影响。

本研究探讨了多模式计算机视觉中的自回归解码器，涵盖分类、字幕和视觉问答等任务。实验分析了多任务训练和超参数调节的影响，发现锁定图像调整解码器表现优异。此外，提出了基于遮码机制的非自回归解码模型，有效生成多样化的图像标题，并介绍了多视角视频自监督学习方法，提升了计算机视觉任务的表现。

Android推出了一系列更新，包括驾驶时自动摘要长文本和繁忙的群聊、Lookout on Android的图像标题功能、Maps中的Lens增强了屏幕阅读器的支持、Google Docs支持手写标注、输出切换器支持Spotify等。

本研究提出了一种利用图像标题和对象边界框注释的弱监督学习方法，用于预测图像中实体之间的关系。通过关注机制和标题的语法结构，训练关系分类网络，获得基于现实的字幕和稠密的关系。在 Visual Genome 数据集上展示了模型的有效性，成功预测了与字幕中不存在的关系，关系召回率达到15%（@50）和25%（@100）。

UC2是一种跨语言跨模态表示学习框架，通过机器翻译引入其他语言的图像标题，提出了两个新的预训练任务，实现了新的最先进状态。