本研究提出VEGAS模型，解决社交智能评估中视觉上下文被忽视的问题，提高推理路径的解释性和准确性，推动类人社会人工智能的发展。

本研究探讨了模糊量词在视觉上下文中的有效性，填补了现有研究的空白。通过VAQUUM数据集，发现视觉语言模型在使用模糊量词时受对象数量的影响，各模型表现不一致，表明判断和生成依赖于不同的过程。

本研究针对视觉上下文学习中寻找最优提示的高计算成本问题，提出了任务级提示方法及两种节省时间的搜索策略，实验结果表明可以以最小成本识别接近最优的提示。

本研究提出了一种视觉引导的直接偏好优化（V-DPO）方法，旨在解决大型视觉语言模型中的幻觉现象，并增强视觉上下文的学习。验证结果表明，该方法在幻觉基准测试中显著提升了性能。

本研究分析了视频多模态大语言模型在视觉上下文表示上的不足。通过将任务转化为约束优化问题，研究了帧和标记选择对性能的影响。结果显示，提出的方法与实验结果一致，具有应用潜力。

本文通过引入自然语言表示提升多目标跟踪模型的泛化能力，提出视觉上下文提示和视觉-语言混合模块，生成实例级伪文字描述。在MOT17上训练并在MOT20上验证，显著提升了跟踪器的性能。

研究探讨机器能否通过多模态输入解决词义歧义。新基准UNPIE利用图像解释双关语进行评估，结果显示视觉上下文显著提升模型表现，验证多模态理解潜力。

本研究针对长视频理解中多模态模型的性能问题，特别是视觉和语言模态的上下文窗口差异，提出了一种无需重新训练的数据集方法。通过扩展视觉上下文窗口和引入渐进池化推理策略，有效降低内存消耗，同时保持重要空间信息，显著提升了性能。