该文综述视觉-语言模型进展：Vary扩展视觉词汇以提升细粒度感知；MiniVLM轻量高效，适合边缘应用；TinyGPT-V降低算力需求；InternVL扩展至60亿参数；Qwen-VL可感知文本与图像；Ziya-VL支持中英多模态；LLVA零样本分类表现优异；CG-VLM实现视觉语言对齐；统一LVLM在图像视频任务表现卓越；VaLM增强语言建模的视觉常识推理。