本文介绍了CoVLM框架，通过通信令牌提升视觉语言模型（LVLMs）在组合推理任务中的性能，并在传统视觉-语言任务中取得先进表现。同时，研究提出了艺术品解释生成任务，评估LVLMs在艺术品知识理解方面的能力，发现其在整合语言与视觉信息上存在困难。此外，VaLM框架通过视觉增强语言建模，展示了在常识推理任务中的优越性能。