Meta推出的SAM 3模型实现了通过语言提示在图像中识别和分割多个实例。该模型支持多模态提示，具备快速处理和高准确率，但对复杂语言的理解能力有限。

Prompt2Guard是一种新的深度伪造图像检测方法，利用视觉-语言模型和多模态提示提高了检测效率和准确性。在五个深度伪造检测数据集上取得了最先进的结果，为深度伪造检测提供了更强大和适应性强的解决方案。

本研究提出了一种名为参考音频 - 视觉分割（Ref-AVS）任务的新任务，旨在通过多模态提示对对象进行分割。通过构建第一个Ref-AVS基准和提出新方法，实验证明了该方法在精确分割对象方面的有效性。

本文介绍了一种新颖的LM-RRG方法，结合大型模型和临床质量强化学习，生成准确全面的胸部X射线放射学报告。该方法通过特征提取器分析和解释胸部X射线图像的不同区域，强调医学意义的特定区域，并利用多模态提示生成放射学报告。实验结果证明了该方法的优越性。

该文介绍了一种名为MMICL的模型，用于解决图像与文本交叉多模态提示的问题。该模型能够适应用户真实应用中复杂的提示，包括多模态上下文与交叉的图像和文本、每个图像的文本参考以及具有空间、逻辑或时间关系的多图像数据。MMICL 取得了新的最先进的零样本和少样本性能，成功缓解了视觉-语言模型中的语言偏差问题。