本文综述大视觉语言模型评估方法，包括以强模型作评判者构建视觉对话数据集，实现多模态对话质量的自动评估；考察LLM生成与识别复杂视觉概念的能力，并用于训练视觉表示学习；提出评估图文对齐及微调扩散模型提升对齐；回顾视觉识别任务与预训练方法；介绍LOVM、Auto-Bench、VaLM、LVLM-eHub、ReForm-Eval、MERLIM等基准；发现模型在精细视觉概念识别、对象幻觉和视觉grounding方面仍存不足。

本文综述了多模态命名实体识别（MNER）的主要进展，包括：MNER-QG实现联合识别与查询接地；BGA-MNER通过双向生成对齐，推理时无需图像；不确定性融合框架提升可信度；动态对齐图文顺序增强表示；GLiNER紧凑高效；Flat交互Transformer减少视觉偏见；MGNER处理嵌套实体；GPT-NER以生成式自我验证应对低资源场景。