最近的研究揭示了大型视觉语言模型在细粒度视觉分类中的不足，并提出了多粒度属性评估基准。通过细调扩散模型，显著改善了文本与图像的对齐能力，尤其在物体属性和空间关系的理解上有效提升了模型性能。