本文探讨了在线手写识别与视觉-语言模型的结合，提出了一种新颖的数字墨迹令牌化表示方法，显示出优于现有在线手写识别器的潜力。同时，回顾了基于语言的视觉模型在视觉识别任务中的应用，分析了多模态机制，并介绍了MiniGPT-4模型的能力和评估方法，为构建更强大的视觉语言模型提供了参考。