La plupart des méthodes existantes en pré-entraînement vision-langage s'appuient sur des caractéristiques centrées sur les objets extraites par détection d'objets et établissent des alignements fins entre ces caractéristiques et les textes. Il est difficile pour ces méthodes d'apprendre les relations entre plusieurs objets. Afin de résoudre ce problème, nous proposons une nouvelle méthode appelée X-VLM pour effectuer un « pré-entraînement vision-langage multi-granulaire ». La clé pour apprendre des alignements multi-granulaires consiste à localiser les concepts visuels dans l'image en se basant sur les textes associés, tout en alignant ces textes avec les concepts visuels, où les alignements sont de multi-granularité. Les résultats expérimentaux montrent que X-VLM utilise efficacement les alignements multi-granulaires appris pour de nombreuses tâches vision-langage en aval et dépasse constamment les méthodes de pointe actuelles.