本文探讨了神经迭代学习算法（NIL）在创建结构化语言的交互神经网络代理人中的应用。研究表明，该算法在系统化推理和复杂视觉问答任务中表现优异，尤其在结构化语言形成和组合泛化能力方面。通过多种实验验证了视觉与语言模型的有效性，并提出了提升文本与图像对齐能力的新方法。

该文章探索了Transformer模型的设计空间，发现一些设计决策对模型的归纳偏差有很大影响。通过这些决策，可以显著提高模型的组合泛化能力，并在各种复合任务中实现了比文献报道更好的泛化结果。