本研究提出了HintsOfTruth数据集，包含27,000对真实与合成图像/声明，旨在自动检测多模态检查值得性声明。研究表明，轻量级文本编码器在识别非声明内容方面表现良好，而多模态大语言模型在合成数据上更具鲁棒性，但计算成本高，限制了其大规模应用。

本研究提出了IISAN-Versa框架，解决了多模态基础模型在序列推荐系统中的适应性不足问题，提升了文本编码器的性能，推动了推荐系统的研究进展。

我们推出了波兰信息检索基准（PIRB），包含41个波兰语检索任务和10个新数据集。评估了20多个模型，并引入稀疏-密集混合检索器，通过三步训练提升效果。新训练的文本编码器使密集模型优于现有方案，混合方法进一步提高性能。

研究提出TUMSyn模型，通过文本提示生成多模态脑MRI图像，利用对比学习预训练的文本编码器确保图像精度和多样性，具有临床应用潜力。

通过研究视觉语言模型（VLMs）的自适应对抗性鲁棒性，引入了一种多模态对抗性攻击策略，并在图像和文本编码器上采用多模态对比对抗性训练损失，提高CLIP的对抗性鲁棒性。实验证明，该方法显著提高了CLIP的对抗性鲁棒性，甚至比仅进行图像攻击微调的模型更高的鲁棒性。

LSeg是一种新的语言驱动的语义图像分割模型，使用文本编码器和基于transformer的图像编码器计算输入标签和图像的嵌入。LSeg具有高度竞争的零-shot性能，能够对未知类别进行泛化，无需重新训练或仅需要单个样本的训练。