一、引言视觉语言模型，VLMs，已在多种多模态理解和生成任务中展现了显著的性能表现，然而，尽管这些多模态模型在广泛的任务中表现出色，但是它们能否有效地捕获结构化知识，即理解对象间关系以及对象与其属性间关系的能力，仍然是一个未解决的问题，如图......