该文介绍了一种名为MMICL的模型，用于解决图像与文本交叉多模态提示的问题。该模型能够适应用户真实应用中复杂的提示，包括多模态上下文与交叉的图像和文本、每个图像的文本参考以及具有空间、逻辑或时间关系的多图像数据。MMICL 取得了新的最先进的零样本和少样本性能，成功缓解了视觉-语言模型中的语言偏差问题。