本研究探讨了多模态模型中的上下文学习（ICL），发现其主要受文本信息驱动，视觉信息影响较小。提出了MMICES方法，结合视觉和语言模态，显著提升ICL性能。同时，研究介绍了VL-ICL Bench基准测试，以评估视觉大语言模型的能力，揭示其优势与不足。

本研究探讨了视觉-语言模型中的上下文学习，发现文本信息对其性能影响显著。提出了MMICES方法，结合视觉和语言模态以提升效果。同时引入了新颖的视觉上下文学习方法，解决大型视觉语言模型中的挑战，并提出多模态ICL方法，在复杂推理任务中表现优异。

本文综述多模态上下文学习（ICL）进展，提出统一多模态生成框架；发现视觉语言模型中ICL主要由文本演示驱动，据此提出MMICES；介绍M²IXT、VICL、CoBSAT基准、MMHQA-ICL、MMICL及SimICL等方法，评估开源LMM缺陷，并总结挑战与方向。