本研究提出VP-MEL任务，解决了现有多模态实体链接方法在缺乏提及词时无法有效利用图像和文本信息的问题。通过标记图像特定区域，并利用图像-文本对与知识库中的实体对齐，FBMEL框架在VPWiki数据集上表现优于基线方法。

BLIP3-KALE是一个包含2.18亿对图像-文本的数据集，旨在弥合合成字幕与网页替代文本之间的差距。通过结合合成密集图像字幕和网页规模的替代文本，生成了具备事实依据的图像字幕，显著提升了多模态模型的能力和知识水平。

该文介绍多个大规模视觉数据集：亚马逊购物查询数据集含130万查询，用于搜索排序与产品分类；RSICap提供2585条遥感图像人工字幕及评测集RSIEval；LAION-5B含58.5亿图像-文本对，支撑CLIP等模型；eProduct含250万产品图，助力细粒度识别；另有电商SKU数据集、LSUN及eBay视觉搜索冠军模型等。

该文介绍了SIEVE方法，用于评估图像-文本对的一致性，并在大规模和中等规模的数据集上取得了最先进的性能。该方法使用预训练的图像-文本模型生成的合成标题进行裁剪，以解决现有方法的限制。