本文介绍了综合连续场景图生成（CSEGG）数据集，探讨了现有场景图生成（SGG）方法在学习新对象时对旧对象的保留情况，以及如何通过连续目标检测提升对未知对象的泛化能力。同时，研究发展了基于多种模型的场景图像生成基准测试，并提出了优化视觉语言融合和医学知识提炼的新方法。

该文综述多模态视觉语言模型研究，涵盖VaLM（通过图像检索与视觉知识融合增强语言建模）、IMMO（以内心独白式自问自答提升推理）、LIVE（结合语言与图像生成模型辅助写作）、ViLaM（统一视觉语言转换并在医学图像分析中展现零样本能力）、WikiTiLo（研究模型能否由视觉线索推断图像时空信息）、TReE（将大语言模型推理迁移至视觉语言模型）及VLIS（融合视觉调节与文本理解改进多模态生成）。