该文汇总多模态视觉语言研究进展，涵盖跨模态提示调参、短语基础模型、ShareGPT4V大规模图文数据集、组合图像生成、WuDaoMM多模态库、图像描述翻译、ITM鲁棒性基准、跨模态CutMix、视觉常识评估及Crossmodal-3600多语言数据集，推动视觉语言理解与生成。

遥感领域正发展大规模视觉语言模型，但缺乏高质量图文数据集。相关进展包括：RSICap人工标注字幕数据集与RSIEval评测基准、GeoChat多任务对话模型、SkyScript百万级图文对，以及无文本注释训练方法，共同推动遥感多模态任务发展。