本研究探讨了多模机器翻译中大型预训练模型的应用，提出了Muffin框架和UniMM-Chat数据集，显著提升了视觉语言任务的性能。同时介绍了InfMLLM方法和Griffon模型，展示了在视觉理解和对象检测方面的进展，并强调了多语言环境中模型性能的差异。