本文介绍视觉概念推断任务（VICIS），要求模型从少量示例图像中提取共享概念，并应用于新查询图像生成。现有视觉语言模型在此任务上表现不佳，常忽略视觉上下文或产生偏见输出。作者提出训练框架和架构，学习从图像集合推断概念并提取查询特定嵌入。实验表明，该方法在合成数据和ImageNet/WordNet数据上生成更准确多样，且能泛化至未见概念和草图等模态。