Griffon v2 和 Monkey 等多模态模型通过提高图像分辨率和生成多级描述，增强了视觉和语言理解能力。InfiMM-HD 针对高分辨率图像处理展现了高效性和鲁棒性。LLaVA-HR 和 LLaVA-UHD 在视觉识别任务中表现优异，而 Bunny 模型则通过灵活的基础模块实现了更小但更强大的性能。TextHawk 专注于文档任务，展现了细粒度视觉感知的优势。这些研究强调了多模态模型在各类任务中的有效性和应用潜力。