该研究提出了REVEAL框架，用于评估复杂视觉大语言模型（VLLMs）在多模态和多轮对话中的图像输入风险。研究表明，多轮交互的缺陷率高于单轮评估，尤其在处理错误信息时表现脆弱，提示需加强防御措施。

本文探讨了视觉大语言模型（VLLMs）在视觉、动作和语言等领域的应用，分析了其使用场景、伦理考量及面临的挑战，并提出未来的发展方向。

本研究提出了一种新评估方法，解决视觉大语言模型在视觉空间推理（VSR）数据集不足的问题。改进后的模型VSRE在VSR测试集上的准确率提高超过27%，为该领域研究提供了新思路。

本研究探讨视觉大语言模型（VLLM）在越狱攻击下的脆弱性，指出现有防御机制过于谨慎，可能在良性输入时意外放弃效果。同时，常用的越狱评估方法可能误导攻击策略和防御机制的评估，呼吁重新审视基准数据集和防御策略。

本研究提出了一种名为CL-HOI的跨层人机交互蒸馏框架，旨在减少对人工标注的依赖。通过从视觉大语言模型中提取交互信息，CL-HOI在HICO-DET和V-COCO数据集上表现优于传统方法，验证了其在无标注条件下的有效性。