本研究探讨了多模态大语言模型在处理小视觉细节时的感知限制，发现其对视觉主题大小敏感。提出了一种无训练的视觉干预方法，利用模型的注意力和梯度图，显著提升了对小细节的感知能力。

本研究提出了一种文化感知文本到图像生成的迭代提示优化方法（Culture-TRIP），旨在改善模型在处理不为西方文化广泛认识的文化概念时的不足。该方法通过检索相关文化背景和视觉细节，逐步优化提示，提高生成图像与提示内容的契合度，尤其对被低估的文化名词效果显著。