本研究提出MAIRA-Seg方法，通过分割掩模增强多模态大语言模型，解决放射学报告生成中的细粒度图像解释不足问题，显著提升胸部X光报告的生成效果。

本研究探讨视觉语言模型是否能通过视觉线索解决文本中的词义歧义。新基准UNPIE使用图像解释的双关语进行评估，结果表明视觉上下文显著提升了模型在复杂任务中的表现，验证了多模态理解的潜力。