Großskalige vortrainierte Sprachmodelle haben erhebliche Fortschritte bei der Lösung von nachgelagerten Sprachverstehensaufgaben gemacht. Allerdings leiden sie generell unter dem Berichterstattungsverzerrungseffekt (reporting bias), einem Phänomen, das die fehlende explizite Alltagswissen-Komponente in geschriebenen Texten beschreibt, wie zum Beispiel „eine Orange ist orange“. Um diese Einschränkung zu überwinden, entwickeln wir einen neuen Ansatz, Z-LaVI, um Sprachmodellen mit visuellen Vorstellungsfähigkeiten zu versehen. Insbesondere nutzen wir zwei ergänzende Arten von „Vorstellungen“: (i) das Wiederholen vorhandener Bilder durch Retrieval und (ii) das Erzeugen nichtexistierender Bilder mittels Text-zu-Bild-Generierung. Durch die gemeinsame Nutzung der Spracheingaben und der Vorstellungskraft komponiert ein vortrainiertes Vision-Sprach-Modell (wie z.B. CLIP) schließlich eine Lösung ohne vorheriges Training (zero-shot) für die ursprünglichen Sprachaufgaben. Bemerkenswerterweise kann die Bereitstellung von Vorstellungskraft den Sprachmodellen effektiv helfen, visuelles Wissen zu nutzen, um einfache Sprachaufgaben zu lösen. Folglich verbessert Z-LaVI die zero-shot-Leistung bestehender Sprachmodelle konsistent in einer Vielzahl von Sprachaufgaben.