X-VLM: Multi-Grained Vision Language Pre-Training

这是一份写给"完全没接触过 AI"的读者看的精读笔记。术语首次出现配类比，公式翻译成人话。

一句话讲什么（TL;DR）

X-VLM 教 AI 看图，不只学"整张图配整句话"，还同时学"图里某个物体配某个词"——而且不靠外部的物体检测器，一个模型端到端把整图、区域、物体三种粒度的图文对齐一起学，于是问图里某个细节时也能答准。

所以这一节是想说：X-VLM 是一个"同时在多个粗细粒度上对齐图和文"的视觉-语言预训练模型。

---

这是个什么场景

想象你陪一个三岁小孩翻一本带配文的绘本，你有两种教法：

• 粗粒度教法：指着整张图说"一只狗在草地上玩球"。小孩学到的是"这整个画面 ↔ 这整句话"。
• 细粒度教法：手指着狗说"狗"，移到球说"球"，移到草地说"草地"。小孩学到的是"图里这一小块 ↔ 这一个词"。

只会第一种的小孩，你问他"图里左下角是什么"会答不上来；只会第二种的小孩，又讲不出"整张图在发生什么"。两种都得学，缺一不可。

计算机的视觉-语言模型面对的是同样的问题。这类模型的用途很广：图文检索（用一句话搜图，或给图配文）、视觉问答（VQA，看图回答问题）、视觉定位（给一句描述，框出图里对应的东西）、给机器人"指认桌上那个红杯子"。这些任务里，有的只需要粗粒度理解（整图检索），有的强烈依赖细粒度理解（视觉定位）。

之前的视觉-语言模型大多只擅长一头：要么只做整图-整文对齐（CLIP 风格），要么依赖一个预训练好的物体检测器（比如 Faster R-CNN）先把图里的"狗""球""草地"框成几个 box，再去对齐——相当于先请别人帮你把绘本里的物体一个个圈出来，你只学"圈好了贴标签"。X-VLM 想做的是：不请外援、端到端地同时学整图、区域、物体三种粒度的对齐。

视觉-语言预训练（Vision-Language Pre-training, VLP）：先在海量图-文对上做通用训练，学出一套"既懂图又懂字"的表征，然后在具体任务（检索、VQA、定位）上微调。类比：先让学生博览群书打好通识底子，再针对某门考试冲刺。

所以这一节是想说：X-VLM 面对的是"视觉-语言模型要同时具备粗粒度全局理解和细粒度局部定位能力"这个长期缺口。

---

之前的人怎么做的，为什么不够好

• CLIP / ALIGN（2021）：双塔结构，图和文各过一个编码器，只对齐"整图 ↔ 整文"。简单、能吃海量网络数据、可扩展，但缺乏细粒度理解——问"图里左下角是什么"就答不好。见 clip。
• ViLBERT / LXMERT / UNITER（2019-2020）：先用预训练好的目标检测器（Faster R-CNN）抽出 region features，再喂给 Transformer 做图文 cross-attention。问题是强依赖检测器质量、慢、且检测类别有限（检测器没见过的物体就抓瞎）。
• ViLT（2021）：去掉检测器，直接把 ViT 的图像 patch + 文本 token 一起塞进 Transformer。轻量，但丢失了"哪个 patch 对应哪个物体"的显式监督，细粒度对齐没人管。
• ALBEF（2021，X-VLM 的直接前作）：先用对比学习对齐整图整文，再用融合 Transformer 学交互，并引入 momentum distillation 处理网络噪声数据。做得很好，但对齐仍停留在图-文级别，没有显式的区域-短语监督。见 blip 一脉的同期工作。

一句话概括困境：用检测器的方法太重太僵、不用检测器的方法又丢了细粒度。

所以这一节是想说：以前要么靠笨重的外部检测器换细粒度、要么图省事只做粗粒度，没人在一个端到端框架里把多粒度对齐做干净。

---

这篇论文的新想法

核心论断：视觉-语言对齐不该只在一个粒度上做，而且不必依赖外部检测器。

X-VLM 的关键想法是同时改造"数据、模型、目标"三层：

1. 数据层面：训练数据不只有 (整图, caption) 对，还包含 (图, 区域 box, 区域描述) 三元组。区域可以是物体级（一只狗），也可以是更大的视觉概念（一群人在野餐）。
2. 模型层面：用一个 Vision Transformer 编码整图，但允许"取出某个 box 内 patch 的特征、聚合成一个区域表征"。区域特征和整图特征来自同一套 patch 特征，只是聚合范围不同。
3. 目标层面：同时优化多个粒度的对齐——整图↔整句、区域↔短语、物体↔单词——共享同一个编码器；并额外加一个"给短语预测它在图里的 box 坐标"的定位监督。

这样，模型学到的视觉特征空间里，"整图特征"和"区域特征"是同一种表征的不同聚合，下游任务可以按需灵活提取任意粒度，而且完全不用外部检测器帮忙圈图。

所以这一节是想说：X-VLM 的新意是"用带 box 标注的数据 + 从 patch 聚合区域特征 + 多粒度对齐损失 + bbox 预测"，一个端到端框架同时学会粗细多个粒度。

---

它分几步做的（方法）

这一节是全篇核心，拆成"整体架构、多粒度视觉表征、四类训练目标、数据混合、下游微调"五步讲清楚。

整体数据流 ASCII 示意：

   整图 ─► Vision Transformer ─► 一堆 patch 特征
                                   │
                 ┌─────────────────┼──────────────────┐
                 ▼                 ▼                  ▼
           聚合所有 patch     聚合 box 内 patch    聚合 box 内 patch
            = 整图特征         = 区域特征          = 物体特征
                 │                 │                  │
   文本 ─► Text Encoder ─► 整句/短语/单词 特征
                 │                 │                  │
                 ▼                 ▼                  ▼
        ┌──────────────── 对齐损失（多粒度）────────────────┐
        │ ITC 对比  │ ITM 匹配  │ MLM 掩码语言 │ bbox 预测  │
        └──────────────────────────────────────────────────┘

第 1 步：整体架构——三个分工明确的同事

输入：一张图 + 一段文本（整句 caption、短语、或单词）。

处理：架构沿用前作 ALBEF 的"双塔 + 融合"三件套：

• 图像编码器（Vision Transformer，ViT）：负责看图。把图切成很多小方块（patch，可想象成 16×16 的小贴纸），每个方块算一个特征向量。
• 文本编码器（BERT-like Transformer）：负责读文字，把每个词编码成向量。
• 跨模态融合编码器（fusion Transformer）：负责把图那边和文那边的信息凑到一起深度交互（用 cross-attention，即让文本 token 去"看"图像 patch）。

关键改动在于：看图那位同事不再只盯着整张图，而是能按需盯住图里任意一块框住的区域。

输出：图像侧的 patch 特征、文本侧的 token 特征，以及融合后的联合表征。

第 2 步：多粒度视觉表征——把大照片拆成小贴纸再灵活拼

这是 X-VLM 相对 ALBEF 最核心的改动。

输入：整图过 ViT 得到的一堆 patch 特征；以及来自标注数据（Visual Genome、COCO 等带"圈出物体"标注的数据集）的若干 box 坐标。

处理：给定一个 box，就把这个 box 框住的那几张"小贴纸"（patch）的特征聚合一下（比如取平均或加上位置信息后汇总），得到一个区域级特征向量；如果把整张图所有 patch 聚合，就得到整图特征；如果 box 框的正好是一个物体，得到的就是物体级特征。

于是同一张图能一次性产出"1 个整图向量 + 多个区域向量"，每一个都可以去和对应粒度的文本配对：整图向量配整句 caption、区域向量配短语、物体向量配单词。

输出：多个粒度的视觉特征，全部落在同一个表征空间里。

等等，先慢一拍——为什么不用现成的物体检测器？

以前的方法（如 ViLBERT）要先请 Faster R-CNN 把图圈成几个固定 box 再喂进来。三个毛病：慢（检测器本身就重）、僵硬（box 数量和类别固定）、且只认它训练过的物体类别。X-VLM 直接让 ViT 自己学"哪几张小贴纸合起来代表一只狗"——box 只在训练时当监督信号用（来自数据集标注），推理时不需要任何外部检测器。这就是"端到端"和"多粒度"能同时成立的关键。

第 3 步：四类训练目标——同时给模型四份作业

输入：上一步的多粒度视觉特征 + 对应文本。

处理：同时优化四类损失，从不同角度逼模型对齐图文：

• 图文对比学习（ITC, Image-Text Contrastive）：双塔在多粒度上做——整图-整句、区域-短语都做。人话：在一堆候选里挑出"哪句话配这张图/这个区域"，配对的拉近、不配对的推远。这是 CLIP 同款思路，负责"粗对齐、拉开距离"。
• 图文匹配（ITM, Image-Text Matching）：把图和文一起塞进融合 Transformer 后，做二分类判断"这对图文是否真的匹配"。比 ITC 更细致（有深度交互）但更慢。为了让这个二分类有难度，通常会用 ITC 的相似度挑"难负样本"（长得很像但其实不配的对）。
• 掩码语言建模（MLM, Masked Language Modeling）：把文本里的部分词遮住，让模型靠图像信息猜出来。人话：故意把"一只___在玩球"里的"狗"挖掉，逼模型真的去看图才能填对，而不是只靠语言习惯背出来。
• 边界框预测（Bounding Box Prediction）：给一句短语，让模型预测它在图里对应的 box 坐标（回归 4 个数：中心 x、y、宽、高，常配合 GIoU 损失）。这是最像"老师手指着图里某块说话"的信号，是细粒度对齐的关键监督。

输出：四个损失加权求和，一起反向传播，共享同一套编码器参数。

对比学习（contrastive learning）：给一批"正确配对"和"错误配对"，训练模型把正确的拉近、错误的推远。类比：给你一堆照片和名字，反复练习"把对的照片和名字连线"。

难负样本（hard negative）：那些"看起来很像正确答案、其实是错的"样本。用它们训练比用一眼假的负样本更能磨练模型。类比：做选择题时，最有区分度的是那些"看着都对"的干扰项。

第 4 步：数据混合——主菜配菜一起上

输入：多种异构数据源。

处理：把两类数据混在一起训练：

• 带 region 标注的数据（细粒度主菜）：COCO、Visual Genome（有密集的 region + region description 标注）等。它们提供 (图, box, 区域描述) 三元组，喂给区域对齐和 bbox 预测。
• 只有整图-整文的数据（粗粒度配菜）：Conceptual Captions、SBU、CC12M 等网络爬取的图-文对。它们量大但只有整图级监督，喂给整图对齐。

具体每种数据用了多少、一个 batch 里怎么按比例混、图像分辨率多少，需查原文。

输出：一个既见过大量粗粒度网络数据、又见过精细 region 标注的预训练模型。

第 5 步：下游微调——按需取用任意粒度

输入：预训练好的 X-VLM + 某个下游任务的数据。

处理：因为多粒度特征在同一空间，下游任务可以灵活接：图文检索用整图/整文特征算相似度；VQA/NLVR2 在融合特征上接分类头；视觉定位（RefCOCO）直接复用 bbox 预测能力去回归 box。

输出：在各任务上微调后的模型。

所以这一节是想说：X-VLM 的方法 = ViT+BERT+融合三件套 + 从 patch 聚合出多粒度视觉特征 + ITC/ITM/MLM/bbox 四类损失联合训练 + 粗细数据混合，一个端到端框架同时学会多个粒度且推理不依赖检测器。

---

下图概括本篇在「关键数字」节前的核心结果脉络（便于对照后文表格）：

【X-VLM: Multi-Grained Vision Languag… · 关键结果概览】

   设定 / 数据          方法要点              主结果
        │                   │                    │
        ▼                   ▼                    ▼
   训练           ──► 方法核心                   ──► …
   评测           ──► 主指标提升                  ──► ↑ 论文主结论

   （对照下方表格中的原文数字与消融）

---

关键数字（What works）

下表整理关键设定与定性结论；具体 R@1、VQA acc 等数字请查原文，此处不编造。

维度	说明
架构	ViT 图像编码器 + BERT-like 文本编码器 + 融合 Transformer（沿用 ALBEF）
新增监督	区域-短语对齐 + bounding box 预测
训练目标	ITC + ITM + MLM + bbox 预测（多粒度联合）
主要数据	COCO、Visual Genome（带 region）+ CC、SBU、CC12M（整图-文）
模型规模	X-VLM base（约 ViT-B 量级），后续有更大版本
评测任务	图文检索、VQA、NLVR2、视觉定位（RefCOCO）、captioning
最大受益任务	视觉定位（visual grounding），因训练时显式对齐 region↔phrase

关键看点：视觉定位任务上相对 ALBEF 的提升幅度——它最直接检验"多粒度对齐是否真有用"。如果定位大涨而整图检索只是持平，就说明收益主要来自细粒度监督，符合方法设计的初衷。

所以这一节是想说：数字里最该盯的是"视觉定位相对纯粗粒度基线（ALBEF）的提升"，它是多粒度对齐价值的直接证据。

---

实验结果说明了什么

X-VLM 在多个标准视觉-语言任务上验证多粒度对齐的好处（具体数字需查原文）：

• 图文检索：Flickr30K、COCO 上的 R@1/R@5/R@10（用一句话搜图、用图搜句子的命中率）。
• VQA：VQA v2 准确率（看图回答开放式问题）。
• 视觉推理：NLVR2（判断两张图和一句话描述是否一致）。
• 视觉定位：RefCOCO/RefCOCO+/RefCOCOg，给一句描述找出图里对应 box——多粒度对齐最直接受益的任务。
• Image captioning：COCO Caption（给图生成描述）。

主要对比对象是 ALBEF、VinVL、UNITER 等同期方法。X-VLM 在多任务上达到或接近 SOTA，视觉定位提升尤其明显——这符合直觉：训练时就显式对齐了 region 和 phrase，测试时找 region 自然更准。消融实验（去掉 bbox 预测 / 去掉区域对齐）应能显示细粒度监督的贡献大小。

所以这一节是想说：实验证明"多粒度对齐"不是花架子——它在需要细粒度的任务上带来明显提升，同时不牺牲粗粒度任务的性能。

---

你应该懂的几个新词

• 多粒度对齐（multi-grained alignment）：同时在整图-整句、区域-短语、物体-单词等多个粒度上让视觉和语言特征对应。X-VLM 的核心概念。
• 区域 / 边界框（region / bounding box）：图里一个矩形框，框住某个物体或视觉概念，是细粒度对齐的"锚点"。
• Visual Genome：一个带密集 region 标注 + region description 的数据集，是多粒度训练的关键数据来源。
• 图文对比学习（ITC）：双塔对比学习，把匹配的图-文拉近、不匹配的推远，CLIP 同款思路，负责粗对齐。
• 图文匹配（ITM）：把图和文一起塞进融合 Transformer，做"是否匹配"的二分类，比 ITC 更细但更慢，常配难负样本。
• 视觉定位（visual grounding）：给一句描述，定位它在图里指的是哪个 box——多粒度对齐的"亲女儿任务"。

所以这一节是想说：这几个词是理解"从粗粒度 CLIP 走向细粒度 grounding 类 VLM"这条线的通用基础。

---

它有什么搞不定的

• 依赖 region 标注数据：细粒度学习需要 (图, box, 描述) 三元组，这类标注数据（Visual Genome、COCO）远少于网络爬的图-文对，规模受限、扩展成本高。
• 粒度是预设的：整图/区域/物体三档是人为设定的粒度，遇到更复杂的层级关系（物体的部件、物体间关系）不一定覆盖得好。
• 区域来自标注框，不是模型自己发现的：训练时的 box 仍来自数据集标注，模型没有真正"无监督发现物体"的能力。
• 不是生成式 VLM：X-VLM 是"理解/对齐"型模型，不像 BLIP-2、LLaVA 那样能自由生成长文本回答，接 LLM 做对话需要额外改造。
• 计算成本：多目标联合训练 + 融合 Transformer 的 cross-attention，比纯双塔 CLIP 更重。

所以这一节是想说：X-VLM 的短板是"细粒度靠标注数据、粒度预设固定、且是对齐型而非生成型"——它把对齐做细了，但没解决数据规模和生成能力。

---

它和别的几篇是什么关系

向后看（它站在谁的肩膀上）：

• clip / ALIGN：粗粒度对齐的代表，X-VLM 可视为它们的"细粒度增强版"，代价是需要带 region 标注的数据。
• ALBEF（X-VLM 直接前作）：X-VLM 沿用其双塔+融合架构和 momentum distillation 思想，主要扩展是引入多粒度对齐 + bbox 预测。
• VinVL / UNITER：依赖更强物体检测器抽 region feature，"先检测再对齐"；X-VLM 是"端到端学多粒度"，推理不依赖外部检测器。

向前看（它启发了谁）：

• blip / blip-2：同期/后续工作，BLIP 主攻用生成式 caption 做数据清洗（CapFilt），和 X-VLM 是互补思路（一个改对齐粒度、一个改数据质量）；BLIP-2 把视觉编码器和 LLM 桥接，开启 VLM 大模型时代。
• siglip：从损失函数角度改进图文对比（sigmoid 替 softmax），和 X-VLM 从粒度角度改进是不同维度。
• llava：现代生成式 VLM，X-VLM 的多粒度 grounding 思想在需要"指认物体"的场景里被继承。
• GLIP / Grounding DINO：把"检测 + 对齐"统一的后续代表，X-VLM 的多粒度对齐是这条线的早期思想源头。

所以这一节是想说：X-VLM 处在"CLIP 粗对齐 → 多粒度对齐 → grounding 类 VLM / 生成式 VLM"这条演进线的关键转折点上。

---

和本导读的关系

本篇主要对应导读 Ch08: VLM 地基（CLIP），并延伸到 Ch18: 多模态生态。Ch08 讲视觉-语言模型如何"同时认图和认字"，起点是 CLIP 的整图-整文对齐；X-VLM 是这条线上"把对齐做细"的关键一步——从只会全局对齐，进化到能对齐到区域和物体。读完 CLIP 再读 X-VLM，能看清 VLM 从"粗"到"细"的技术脉络；再往后接 blip-2、llava，就进入了生成式 VLM 的时代。

所以这一节是想说：把 X-VLM 放进 Ch08 的 VLM 演进谱系里读，它是"从粗粒度对齐迈向细粒度 grounding"这一格的代表作。

---

思考题

Q1：为什么只做整图-整文对齐的模型（如 CLIP）在"视觉定位"任务上表现差？

提示

CLIP 训练时只学"整张图 ↔ 整句话"，从没被要求分辨"图里哪一块对应哪个词"。它的特征空间里没有"区域"这个概念，所以让它框出"左边那只狗"时没有对应的监督信号支撑。X-VLM 通过区域-短语对齐和 bbox 预测显式补上了这一课。

Q2：X-VLM 为什么坚持"推理时不依赖外部检测器"？依赖检测器有什么坏处？

提示

外部检测器（Faster R-CNN）慢、僵硬（box 数量/类别固定）、且只认训练过的类别，检测器没见过的物体就抓瞎，还会成为整个流水线的瓶颈和误差来源。X-VLM 让 ViT 自己从 patch 聚合区域特征，box 只在训练时当监督用，推理时完全自足，更快更灵活。

Q3：X-VLM 同时优化 ITC、ITM、MLM、bbox 四个损失，它们各自负责补什么能力？

提示

ITC 负责粗粒度拉开距离（快速筛选式对齐）；ITM 在融合后做细致的"是否匹配"二分类，配难负样本磨区分力；MLM 逼模型真看图才能填空（图文深度关联）；bbox 预测提供最直接的细粒度定位监督。四者互补，缺一则某种能力弱化。

Q4：区域特征和整图特征都来自"同一套 patch 特征的不同聚合"，这样设计有什么好处？

提示

保证粗细粒度落在同一个表征空间里，下游任务可以自由按需提取任意粒度而无需两套模型/两套特征；也让"整图理解"和"区域理解"互相受益（学好区域有助于理解整图，反之亦然），而不是割裂训练。

Q5：X-VLM 依赖带 region 标注的数据（如 Visual Genome），这对它的可扩展性意味着什么？和 CLIP 靠海量网络数据相比谁更容易 scale？

提示

带 box+描述的 region 标注需要人工精细标注，规模远小于网络爬取的图-文对，扩展成本高、天花板低。CLIP 只需整图-整文对，能吃十亿级网络数据，更容易 scale。这是 X-VLM 换取细粒度能力付出的代价——细粒度收益 vs 数据规模的权衡。

Q6：为什么 ITM 里要专门挑"难负样本"，而不是随便找不匹配的图文对？

提示

随便找的负样本（比如"一只狗"配"一辆卡车"）一眼就能判假，模型学不到什么。难负样本是"看起来很像但其实不配"的对（比如"黑狗玩球"配"棕狗玩球"），逼模型关注细节差异，才能真正磨出区分力。通常用 ITC 的相似度分数来挑这些难负样本。

Q7：X-VLM 是"对齐/理解型"模型，不能像 LLaVA 那样自由生成对话回答。如果想让它具备生成能力，大致要怎么改？

提示

需要在其视觉编码器之后接一个语言生成模型（LLM），并用一个桥接模块（如 BLIP-2 的 Q-Former 或简单投影层）把视觉特征映射到 LLM 的输入空间，再做指令微调。X-VLM 的多粒度视觉表征可以作为很好的视觉底座，但生成能力要靠后接的 LLM 提供。

所以这一节是想说：这几个问题带你把"为什么需要多粒度、检测器的代价、四损失分工、共享表征、数据规模权衡、难负样本、如何走向生成式"这些核心点自己推一遍。

---

一些好奇心问答（FAQ）

Q1：X-VLM 和 CLIP 到底谁强？

不是同一维度的比较。CLIP 强在简单可扩展、吃海量数据、零样本分类强；X-VLM 强在细粒度理解和视觉定位。要做"用一句话搜图库"CLIP 够用且更省；要做"框出图里那个红杯子"就得用 X-VLM 这类多粒度模型。

Q2：训练时用的 box 从哪来？推理时也要提供 box 吗？

训练时的 box 来自数据集标注（Visual Genome、COCO 等）。推理时不需要外部提供 box，也不需要外部检测器——模型自己从 patch 聚合出需要的区域表征；做视觉定位任务时反而是模型输出 box。

Q3：X-VLM 算大模型吗？

不算。base 版约 ViT-B 量级（几亿参数），比后来的 BLIP-2、LLaVA 这类接了大 LLM 的动辄数十亿参数小得多。它是"预训练理解模型"，不是生成式大模型。

Q4：为什么视觉定位是 X-VLM 最受益的任务？

因为训练时它专门学了"region ↔ phrase 对齐"和"给短语预测 box"，这和视觉定位任务（给描述找 box）几乎是同一件事。训练目标和下游任务高度对齐，收益自然最大。

Q5：读完 X-VLM 接下来看什么？

想看它的前身粗粒度对齐看 clip；想看互补的数据清洗思路看 blip；想看走向生成式 VLM 看 blip-2、llava；想看损失函数维度的改进看 siglip。

所以这一节是想说：X-VLM 强在细粒度、不是大模型、推理不需外部 box、定位任务收益最大——这些实操问题都有明确答案。

---

如果你想再深入

按"前身 → 互补思路 → 后续演进"排序：

1. 前身：clip —— 粗粒度对齐的起点，理解 X-VLM 在补什么课。
2. 互补：blip —— 同期工作，从数据质量而非粒度角度改进 VLP。
3. 后续：blip-2 / llava —— VLM 从"对齐理解"走向"生成对话"的关键。
4. 另一维度：siglip —— 从损失函数改进图文对比学习。

所以这一节是想说：把 CLIP + X-VLM + BLIP-2 连起来读，就能看清 VLM 从"粗对齐 → 细对齐 → 生成式"的完整演进。

---

原文信息

• 标题：Multi-Grained Vision Language Pre-Training: Aligning Texts with Visual Concepts (X-VLM)
• arXiv：https://arxiv.org/abs/2111.08276
• 发表：ICML, 2022
• 年份：2022

BibTeX：

@inproceedings{zeng2022xvlm,
  title     = {Multi-Grained Vision Language Pre-Training: Aligning Texts with Visual Concepts},
  author    = {Zeng, Yan and Zhang, Xinsong and Li, Hang},
  booktitle = {International Conference on Machine Learning (ICML)},
  year      = {2022},
  url       = {https://arxiv.org/abs/2111.08276}
}

所以整篇是想说：X-VLM 用"从 patch 聚合多粒度视觉特征 + 多粒度对齐损失 + bbox 预测"，让视觉-语言模型在不依赖外部检测器的前提下，同时学会整图、区域、物体三种粒度的对齐——它是 VLM 从"只会看整张图"迈向"能指认图里每个细节"的关键一步。

◼

@online{eai_x_vlm_2026,
  title       = {(readable note) X-VLM: Multi-Grained Vision Language Pre-Training},
  author      = {Xun, Jason},
  year        = {2026},
  note        = {Note on a 2022 paper},
  howpublished = {\url{https://estelledc.github.io/embodied-ai-reading-station/papers/x-vlm/}},
  organization = {Embodied AI: Zero to One}
}