本研究探讨了模型驱动工程中多模态摘要在汽车软件开发中的应用潜力。研究表明，多模态摘要能够提高生产力和准确性，但也存在一些局限性。

本文提出了一种基于BART和UniMS的多模态摘要框架，结合抽取与生成目标，改进了图像选择。通过构建大规模数据集和新模型，提升了多模态摘要的性能，并建立了新的基准，推动了未来研究的发展。

该研究介绍了M3LS数据集，包含超过一百万篇BBC新闻文章，跨20种语言，旨在评估多语言多模态摘要技术。同时，研究提出了MM-Soc基准，评估多模态大型语言模型在社交媒体内容理解上的能力，发现模型在社交理解方面需改进。此外，研究构建了91K的多语言训练数据集，并开发了表现优异的双语多模态模型。

本文提出了一种端到端的视频摘要建模方法，结合消费者生成的视频内容、评论和商品属性，利用图神经网络进行多粒度分析。研究设计了四个模型以捕捉视频摘要特性，并通过实验验证了框架的有效性。此外，提出了无监督方法和多模态摘要任务，以提高视频摘要的质量和评估标准。

本文介绍了多个自动文本摘要数据集，包括Gazeta、M3LS和MLSUM，涵盖俄语及多语言新闻报道。研究表明，预训练的mBART模型适用于俄语摘要任务，并提出了新的多模态摘要生成方法，展示了在科学领域的应用潜力。

该文综述多模态摘要与评估研究，提出CISum框架，融合图像描述与文本生成摘要，并选取相关图像作为视觉摘要，其多模态语义覆盖优于ROUGE、BLEU；同时介绍基于话语理论、BERT对比学习、SummScore等评估指标，以及语音语言模型COSMIC和对话情感识别框架，并探讨摘要评估与人工判断的差距。

该文综述视觉文档理解的多模态预训练进展，涵盖FormNetV2、Bi-VLDoc、DocFormerv2、StrucTexT等模型，采用图对比学习、双向视觉语言监督、多粒度Transformer等策略融合文本、视觉与布局信息，在FUNSD、CORD、SROIE等基准上取得最优性能，并应用于信息抽取、表格理解与多模态摘要。

该文综述多模态大语言模型研究，将模态对齐方法分为多模态转换器、感知器、工具辅助和数据驱动四类，指出不当对齐需更多参数且性能提升有限；并介绍多模态自动摘要、Semantic Reader阅读界面、多语种学术摘要数据集、WMT16多模态翻译系统、非语言模态转文本的情感分析、LayoutXLM银行文档分析及自动生成综述论文等方法。