本研究揭示了词网的语义关系知识与语言用户直觉之间的差异，特别是同义词和分类关系的系统性错配，为词网的改进提供了新视角。

CLIP（对比性语言-图像预训练）模型通过CLIP Surgery方法提升了解释性和性能，在多标签识别和语义分割任务中显著提高了准确率。研究还提出了将CLIP特征嵌入3D地图的方法，增强了对象导航系统的效率和成功率。此外，CPL方法和结构感知的Structure-CLIP模型进一步提升了多模态表示能力。