VaLM是一种预训练框架，使用视觉增强语言建模，通过图像检索模块检索相应图像，并使用视觉知识融合层使多模态语言建模可以参考文本和图像的视觉知识。VaLM在常识推理任务中表现出色，包括颜色、大小和形状方面的性能优于强语言和视觉语言基线。

VaLM是一种预训练框架，使用视觉增强语言建模，结合图像检索模块和视觉知识融合层，可以参考文本和图像的视觉知识。在常识推理任务中表现出色，颜色、大小和形状方面的性能优于强语言和视觉语言基线。

VaLM是一种预训练框架，使用图像检索模块和视觉知识融合层进行多模态语言建模。通过常识推理任务评估，显示VaLM在颜色、大小和形状方面的性能优于强语言和视觉语言基线。