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。