多模态模型研究进展迅速。GPT-4V具备零样本推荐与多模态理解能力，但存在幻觉和响应同质化问题。研究者构建RSICap遥感字幕数据集和ShareGPT4V图文数据集以提升性能，并探索视觉思维链等方法，推动下一代多模态生成式推荐模型发展。

本文综述多模态大模型上下文推理研究，涵盖ModCR的文本图像结合推理、GPT-4V中视觉思维链对数学推理、视觉分析与代码生成的提升，以及MathVista、HallusionBench等基准揭示的幻觉与视觉错觉问题。研究还探索多步任务、预测推理与长期记忆，指出复杂多模态推理仍面临挑战。