该文综述多模态摘要与评估研究，提出CISum框架，融合图像描述与文本生成摘要，并选取相关图像作为视觉摘要，其多模态语义覆盖优于ROUGE、BLEU；同时介绍基于话语理论、BERT对比学习、SummScore等评估指标，以及语音语言模型COSMIC和对话情感识别框架，并探讨摘要评估与人工判断的差距。