该研究评估了大型视觉语言模型（LVLMs）区分人工生成与人类生成图像的能力，发现LVLMs存在偏差且表现不如人类。研究引入了新的自动化基准构建方法，探讨了模型的偏见和稳健性，并提出了改进策略以减少偏见并提高性能。此外，开发了FAITHSCORE指标，用于评估生成内容的忠实度，强调了LVLMs在生成准确插图方面的不足。

该研究介绍了多个多模态评估基准，如MMT-Bench和MLLM-Bench，旨在评估大规模视觉-语言模型（LVLM）在多模态任务中的能力。研究指出现有模型在视觉理解和内容偏见方面的不足，并提出了改进方案，强调了开发更强大模型的必要性。

本文综述大语言模型时代的假新闻检测研究。现有检测器对机器生成内容存在偏见，易将AI生成新闻误判为假；LVLM结合外部知识可提升多模态检测准确性；GPT-4V在多项任务中表现良好但存在幻觉问题；知识库集成能改善检测效果；大模型可辅助小模型，但尚不能替代。

通过RLHF方法对大规模语言模型进行微调，使其更好地与用户偏好相匹配。提出了Diffusion-DPO方法，通过在人类比较数据上进行直接优化，使扩散模型与人类偏好相匹配。使用Diffusion-DPO对稳定扩散XL-1.0模型进行微调，提高了视觉吸引力和提示对齐。开发了一个使用AI反馈的变体，为扩展扩散模型对齐方法打开了大门。

本文研究了大规模视觉-语言模型的集成方法，通过选择具有高度互补性的多种模型来解决任务，实验结果表明集成模型的准确率潜在提升很大。