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。

本文研究了一种新型医学图像分割模型Vision Mamba UNet (VM-UNet)，该模型结合了状态空间模型和视觉上下文信息，展现出优异的分割性能。通过引入Visual State Space块和不对称编码器-解码器结构，VM-UNet在多个公共数据集上表现出色，为高效分割系统的开发奠定了基础。

本文介绍了一种新颖的密集视频字幕生成框架，该框架通过建模视频事件的时间依赖性，结合视觉和语言上下文，实现了连贯的叙述。该框架在多个数据集上表现优异，证明了其在复杂视频理解任务中的有效性。