多语言视觉-语言模型：综述
Multilingual Vision-Language Models, A Survey
AI总结：
本文综述了处理多语言文本和图像的视觉-语言模型，分析了语言中立性与文化意识之间的矛盾，指出对比学习在训练中的主导地位及文化适应性的数据依赖性。
摘要：
本文综述了多语言视觉-语言模型，探讨了处理跨语言文本和图像的模型。我们回顾了33个模型和23个基准测试，涵盖了仅编码器架构和生成式架构。研究发现语言中立性（一致的跨语言表示）与文化意识（适应文化背景）之间存在关键矛盾。当前训练方法通过对比学习倾向于中立性，而文化意识依赖于多样化数据。三分之二的评估基准使用基于翻译的方法优先考虑语义一致性，尽管近期工作纳入了文化相关的内容。我们发现跨语言能力的不一致性和训练目标与评估目标之间的差距。
英文摘要：
This survey examines multilingual vision-language models that process text and images across languages. We review 33 models and 23 benchmarks, spanning encoder-only and generative architectures, and identify a key tension between language neutrality (consistent cross-lingual representations) and cultural awareness (adaptation to cultural contexts). Current training methods favor neutrality through contrastive learning, while cultural awareness depends on diverse data. Two-thirds of evaluation benchmarks use translation-based approaches prioritizing semantic consistency, though recent work incorporates culturally grounded content. We find discrepancies in cross-lingual capabilities and gaps between training objectives and evaluation goals.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
