该文综述多语言视觉语言模型进展，包括利用机器翻译数据重对齐图像编码器以低成本构建多语言Vision-LLM，提出多粒度预训练与模块化模型X²-VLM，构建Babel-ImageNet、韩英KELIP及最大中文数据集并训练M6，将CLIP文本编码器换为XLM-R提升跨语言对齐，以及MobileCLIP优化延迟与精度。