语言理解中的基础是一个活跃的研究领域。以颜色感知和颜色语言为研究基础，通过实证研究发现，颜色空间和语言模型定义的特征空间之间存在相当大的一致性。通过收集包含近 100 万个颜色及其描述的大规模数据集，进行两种对齐方式的实证分析：（i）跨空间对齐，即学习嵌入空间和颜色空间之间的映射，以及（ii）内部空间对齐，通过提示颜色描述之间的比较。我们的结果表明，尽管对于单词基础、高度实用的颜色描述，颜色空间对齐成立，但在存在主观性和抽象性等真实语言使用元素的示例中，这种对齐性显著降低，这表明在这种情况下可能需要基础。

Nov, 2023

通过研究人像的颜色概念关联评分与 GPT-4 评分的相关性，探讨了 GPT-4 能够准确预测人类颜色概念关联的能力，并证明了 GPT-4 可以有效估算各种概念的颜色关联分布，为设计有效且直观的信息可视化提供了重要工具。

May, 2024

该论文提出了一种基于递归语用推理框架的实用指称表达解释模型，利用两个循环神经网络分类器的预测来识别颜色，实验证明模型比分类器更准确地解释颜色描述，并且大部分改进来自于结合说话者和听者视角。

Mar, 2017

本文通过设计一种探针模型，研究了上下文语言模型对应的具体名词在视觉表示方面的关联程度，并发现语言表示本身就具有检索正确对象类别的强信号以及检索图像特定实例的效果，而文本上下文在该过程中发挥了重要作用，但比起人类，具有图像为基础的语言模型在实例检索方面表现稍逊。我们希望这些结果能够启发未来的研究，进一步地理解和改善语言模型的视觉能力。

May, 2020

本文探讨了如何在图像搜索引擎中应用颜色作为匹配过程的一个特征，提出了一种基于循环神经网络及历史点击数据学习查询 - 图像颜色分布表示并结合交叉模式下的匹配模型，并在用户反馈中验证其有效性。

Jun, 2020

使用大型语言模型结合经典的心理物理学方法，从文本中提炼出心理物理信息，然后应用多维尺度方法发现其潜在的心理空间。在六个知觉域上测试我们的方法，成功地拟合了文献中已知的心理物理结构。这项工作展示了如何将最先进的机器模型与经典的认知范式相结合，从而阐明感知和语言研究中的基本问题。

Feb, 2023

本文使用多种测量方法对语言间的大量数据进行操作和批判，该方法与在许多语言中的基本颜色术语和其获取顺序相关，同时提出建议将其视为光谱而非二分法。

Oct, 2019

通过对具有意义的监督的视觉数据进行训练，我们发现在具有限定语言数据的情况下，视觉监督可以提高词汇学习的效率，但这种改进是有限的，并且当前的多模态建模方法未能有效利用视觉信息以构建更具人类特征的词汇表示。

Oct, 2023

本文研究了文本预训练的固有局限性，提出了报告偏差作为该限制的原因之一，并分析了多模态训练在解决该问题方面的效果。研究使用了 Color Dataset 并比较了文本中的颜色分布，语言模型捕获的分布以及人类感知中的颜色分布，结果表明文本中的 reporting bias 负面影响并固有限制了单一模态训练，而多模态模型可以减轻此类影响。

Oct, 2021

本研究展示了一个对于自然语言中颜色修饰的理解模型，该模型比之前在 RGB 颜色空间中的加法模型能够学习更复杂的变换，同时我们还提出了一个在 HSV 颜色空间中操作的模型，结果表明针对某些形容词在 HSV 颜色空间中效果更好，此外我们还训练了一种硬强集成模型，该模型会根据修饰符颜色配对情况来选择颜色空间，实验结果表明与现有基线模型相比，该模型有显著且一致的提升。

Sep, 2019