一、引言视觉言语模型，VLMs，已在多种多模态了解和生成义务中展现了清楚的功能体现，但是，虽然这些多模态模型在宽泛的义务中体现出色，但是它们是否有效地捕捉结构化常识，即了解对象间相关以及对象与其属性间相关的才干，依然是一个未处置的疑问，如图......