L2R là viết tắt của "Language to Language Retrieval," hay hơn nữa, có thể hiểu là "Learning to Read." Trong bối cảnh của các nhiệm vụ cụ thể, L2R VTC (Visual-Spanning Text Challenge) là một bài toán được sử dụng để đo lường khả năng xử lý và hiểu biết sâu của các AI với các đoạn văn có nội dung hình ảnh. Bài toán này đã trở nên quan trọng trong việc nghiên cứu và phát triển các hệ thống có thể nhận biết và giải thích các hình ảnh từ các nguồn thông tin khác nhau, ví dụ như text. L2R VTC đòi hỏi các mẫu dữ liệu được gắn cho các đoạn văn có nội dung hình ảnh, giúp các model học cách liên kết giữa visuals và text. Những ứng dụng chính của L2R VTC bao gồm: 1. **Xử lý và phân tích hình ảnh từ text**: Giúp các system có thể hiểu sâu về các đối tượng, địa điểm, hoặc sự kiện được miêu tả trong các đoạn văn. 2. **Tăng hiệu quả công việc của người dùng**: Với khả năng tìm kiếm và xác định nội dung từ các nguồn thông tin khác nhau, L2R VTC có thể hỗ trợ trong nhiều lĩnh vực như du lịch, thương mại điện tử, hoặc giáo dục. 3. **Phát triển các model AI**: Bài toán này là một trụ đỡ cho việc phát triển và thử nghiệm các xử lý ngôn ngữ , giúpbridge gap giữa text và visual data. Tuy nhiên, L2R VTC cũng có nhiều thách thức cần phải giải quyết, như sự đa dạng của ngôn ngữ, chất lượng và thiếuhiệu quả của các mẫu dữ liệu, và việc đo lường chính xác của các model AI.