据 God of Prompt 在 X 所述，链接 arxiv.org/abs/2603.24755 的论文介绍了视觉语言模型的训练与评测新进展；据 arXiv 摘要报告，研究在多模态推理基准上提出方法以降低幻觉并提升图像语义对齐效果。根据 arXiv，作者提出结合合成指令微调与偏好优化的训练范式，在图像问答与图像描述任务上优于既有基线；据 arXiv 的消融实验，多模态对齐损失与精心构造的负样本带来显著增益，企业可将更可靠的 VLM 应用于商品搜索、零售视觉问答与合规审查等场景，获得可度量的业务改进。