视觉语言模型在细粒度理解上仍面临挑战。相关研究提出多种改进方案：FineR利用大语言模型提升语义细分类别推理；ViGoR通过细粒度奖励建模增强视觉定位；SPEC基准揭示领先模型在属性理解上接近随机，并提出优化方法；ViLLA解决复杂数据下细粒度关系学习退化问题；VistaLLM统一多种视觉语言任务。这些工作共同推动细粒度视觉语言理解的发展。