本研究提出了一种多尺度视觉知识对齐方法，解决了多模态大语言模型在精细视觉理解中的知识对齐不足问题。该方法有效整合文本、坐标和图像信息，显著提升模型在复杂视觉场景中的表现。TinyGroundingGPT模型在接地任务中表现优异，性能与更大规模模型相当。

LLaMA研究表明，使用不到1%的预训练数据即可在知识对齐和响应质量上媲美先进迁移模型，十三种低资源语言呈现相似趋势。分析发现，扩大模型规模主要增强推理与数学能力并减少幻象，但需超过一定阈值；低层缺乏算术事实知识，顶层在计算与现实知识方面最强。LLaMA-13B在多数基准上优于GPT-3。相关研究还涉及嵌入式问答、程序合成训练效率、标签监督微调、翻译模型ALMA、意大利语适配、电商LLaMA-E及小模型自我改进。