本研究提出了一种新方法SCRAMBLe，旨在提升多模态大语言模型（MLLMs）的组合推理能力。通过训练模型区分正确与错误的图像标题，该方法在多个视觉语言基准测试中显著提高了性能，并对一般问题回答任务产生了积极影响。

本文介绍了一种可伸缩性方法，通过从视觉-语言基准中提取的多样化特征，测量它们与目标模型输出的相关性。作者确认了之前发现的CLIP表现类似于词袋模型，并在名词和动词上表现更好。