本研究提出了一种名为Mango的方法，旨在提升预训练视觉-语言模型的鲁棒性。通过多模态对抗性噪声生成器，Mango在七项测试中创造了新高。研究还探讨了多模态大型语言模型（MLLMs）的对齐方法及其在处理文本和视觉数据中的应用，强调了模态对齐的重要性和挑战，并提出了文本为中心的多模态学习对齐（TAMML）方法，以应对模态不匹配问题。

该研究提出了一种创新的文本为中心的多模态学习对齐方法（TAMML），解决了多模态学习中的模态不匹配问题。TAMML利用文本的独特特性作为统一的语义空间，在处理未见过的、多样化的和不可预测的模态组合时取得了显著改进。该研究为领域做出了贡献，为模态可用性动态和不确定性的实际应用提供了灵活有效的解决方案。