该文综述多模态大语言模型（MLLM）最新进展，涵盖仇恨表情包检测、虚假信息识别、常识知识图融合、视觉知识增强推理等任务。研究表明，视觉指令微调可提升模型真实性与道德一致性；结合目标检测与OCR能改善细粒度图像理解并减少虚构，在10项基准中9项超越先进模型，平均得分最高提升12.99%。