大型多模态模型在广泛的视觉语言基准测试中表现出色，但在需要对底层视觉细节进行精确感知的任务中，常常遇到困难。为了解决这个问题，提出了一种名为VDLM的模型，它在二维矢量图形领域进行基于文本的推理。VDLM使用可伸缩矢量图形（SVG）进行精确的视觉描述，并通过预先训练的语言模型建立SVG和PVD之间的桥梁。VDLM具有更强的零样本性能，适用于各种基于二维矢量图形的低级多模态感知和推理任务。