本研究提出Llama3-MS-CLIP模型，通过对大规模多光谱数据集进行对比学习预训练，显著提升了多光谱图像的分类和检索能力，强调了多光谱视觉语言学习的重要性。

最近的研究发现，视觉语言学习在人物再识别方面具有潜力。一种名为π-VL的方法通过在ReID任务中利用部分信息语言监督来增强视觉特征，取得了显著改进，尤其在MSMT17数据库中达到了90.3%的Rank-1和76.5%的mAP。