本文介绍了视觉蕴含（VE）任务及其数据集SNLI-VE，提出了可解释模型EVE，准确率达到71%。VE与传统文本蕴含不同，前提由图像定义。研究评估了EVE与其他视觉问答模型的表现，促进了基于语境的语言理解。