本研究提出了一种新方法，通过语言描述控制对象中心表示学习，解决了现有模型可控性不足的问题。该方法能够在复杂场景中提取特定对象的表示，并在视觉语言任务中表现优异。

本研究提出了一种新的注意力动态 DINO 框架，有效解决智能体在不同交互上下文中对手势和语言描述的误解问题，显著提升任务性能，尤其在 IoU 阈值为 0.75 时超越人类表现。

我们提出了一种通过大型预训练文本模型的语言描述来优化3D人体姿势的方法。该方法将多模态模型生成的自然语言描述转化为损失函数，以优化3D姿势。尽管方法简单，但能有效重建人与人之间的接触姿势，捕捉社交和物理互动的语义，与复杂的先进方法相媲美，并提供统一框架解决自体和人与人接触问题。

该研究提出了一种新的任务，即通过多模态输入自动生成UI元素的语言描述。研究使用众包收集了一个大规模的数据集，包含162,859个语言短语，用于深入分析。该数据集涵盖了21,750个独特UI屏幕中的61,285个UI元素的结构表示和图像。