本研究针对中文自然语言处理中的隐喻理解挑战，开发了中文多模态隐喻广告数据集（CM3D）和隐喻映射识别模型（CPMMIM）。该模型通过模拟人类认知过程，提高了隐喻识别的准确性，实验结果验证了其有效性，推动了隐喻理解的研究进展。

为了评估大型语言模型（LLMs）对隐喻理解的能力，研究人员发布了隐喻理解挑战数据集（MUNCH），其中包含超过10k个含隐喻用法的句子的释义和1.5k个含不恰当释义的实例。实验表明，MUNCH对LLMs来说是一个具有挑战性的任务。

该文综述隐喻计算研究，涵盖：预训练模型中间层可编码泛化隐喻知识；大模型与扩散模型协作生成视觉隐喻；多任务框架缓解中文隐喻生成数据稀缺；MIPVU与CoMeta支持多语种隐喻检测；思维导向提示提升隐喻释义；语境特征对识别至关重要；GPT-4能解释新颖诗歌隐喻，评估优于大学生；基准测试显示大模型隐喻理解接近人类水平。