本研究评估了大型视觉语言模型在处理跨语言文本丰富图像时的表现差距，提出了XT-VQA基准测试模型能力，并通过MVCL-MI方法优化了视觉与文本的跨语言互信息对齐，提升了跨语言理解能力，具有重要应用价值。

本文探讨了自然语言处理中的任务转移学习，提出通过适配器微调和任务特定参数来提高中间任务的转移效果。研究表明，在数据稀缺的情况下，转移学习能够有效提升性能，并分析了任务规模和相关性对多任务学习的影响。通过构建基准和相似度度量，优化了任务选择和学习效率，推动了跨语言理解的进展。

本文综述多模态大语言模型（MLLMs）的最新进展，涵盖架构、对齐策略与训练技术，分析视觉定位、图像生成和视觉理解等任务，整理数据集与评估基准，比较模型性能与算力需求，并介绍MMICL、LENS、InfMLLM、u-LLaVA等方法，以提升多图与跨语言理解，缓解语言偏差和任务干扰。