本研究提出了Pheye架构，有效解决了视觉-语言模型在高分辨率图像中识别细节的不足，尤其在细粒度图像理解和场景文本处理任务中表现出色，显著提升了效率和性能。

综述了多模态大语言模型（MLLMs）的研究进展，涵盖视觉语言表示学习、专家混合增强视觉感知、架构与对齐策略、跨模态投影作用、泛化边界评估及细粒度图像理解改进。MLLMs在图像文本检索等任务中显著提升性能，但分布外泛化仍存挑战，模态对齐方法至关重要。

该文综述多模态大模型与目标检测、OCR的融合研究，旨在提升细粒度图像理解并减少虚构，在10项基准中9项领先，平均得分最高提升12.99%。同时回顾人脸反欺诈进展，涉及CASIA-SURF数据集、FM-ViT、多模态解缠、SHIELD防御、AIM-FAS及ContextDET等。