视觉语言模型研究取得进展：InternLM-XComposer支持图文交错生成与多语言理解，在多项基准上达到最优；后续研究通过微调扩散模型提升文图对齐，并提出CoVLM、X²-VLM、CompAgent、ViLaM、Kosmos-G、X-LLM、VLMo等模型，改进组合推理、多粒度预训练、可控图像生成及医学图像分析。