我认为目前的瓶颈在于，当前的模型都只对图像中的物体进行建模，而没有对图像中模型之间的关系进行建模，而机器问答很重要的一点是了解物体之间的关系。目前感觉对图像中物体间的关系，不管是空间关系还是语义关系进行建模都非常地难。