2014—2016：组件到位后，新的研究问题怎样出现
这段历史可以按“哪项能力已经可复用，哪条关系还没有学会”阅读。卷积网络已经能提供视觉特征；文字预测器能组织可变长度输出；图文配对和共同评价数据使不同系统能在同一问题上比较。于是连接视觉与语言开始具有可操作的实验入口。
LRCN 和 Show and Tell 在 2014 年发布预印本、2015 年发表，研究怎样把视觉信息送入文字输出。区域—句子对齐把对应关系细化到局部；VQA 则让问题决定当前要读什么。它们不是同一系统的连续版本，不能画成“描述完成后才有对齐，再完成后才有问答”的单行升级史。
研究进展不仅是多了一种漂亮演示。Show and Tell 在其论文中的 COCO 协议报告 BLEU-4 27.7，并在多个数据集比较描述质量；这个历史结果说明学习图像条件的句子分布能够产出可比较的描述系统。数字属于当时模型与评价协议，不是本课程 Lab 的分数。区域对齐工作又在图文检索和区域描述中展示了局部对应的价值。这里“为什么值得继续研究”的答案，是新接口已经带来可测量的任务能力，随后才能进一步问它遗漏了什么。
Trevor Darrell 是 LRCN 等工作的共同作者，其公开研究涉及视觉感知与语言、人机交互的连接。课程借此展示一条公共研究脉络；个人经历、合作动机或具体对话不由论文作者名单推断。