[CLS 03 · 视觉与语言：任务、训练与接口](/course/notebooks/680da245145447dd88983aabd136fd24.html)

# 研究背景：组件到位后，选择哪一个新问题？
[独立阅读](/course/notebook-blocks/7895864a9980401b8e3526beca11f36f.html)
主线阅读与优先实验

caption历史、VQA、CLIP候选、关系控制、GLIP/LLaVA与生成桥梁

### 研究背景：组件到位后，选择哪一个新问题？

2014–2016 年，视觉预训练、文字预测与图文数据汇合，出现描述、区域对齐和视觉问答等不同研究入口。Trevor Darrell 是 LRCN 的共同作者之一；这里使用公开研究背景，不推断个人动机或讲者私下经历。

这段历史的重点是正面进展：已有表示确实开始支持可训练、可比较的新任务。再问组合缺口和局部关系，才知道后续工作为何需要新机制。[课堂历史图](/course/pages/l3-r2-p50.html) · [历史事实、评价结果与来源](/course/blocks/vl-history-convergence.html) · [DCC 的配对缺口](/course/blocks/caption-compositional-gap.html)。