NLP模型在理解成语和隐喻方面面临重大挑战，因为这些表达通常具有与其字面解释不同的含义。例如，“踢桶” 的意思是 “死”，而不是踢桶的身体行为。理解这些短语需要文化知识和语境意识。
像BERT和GPT这样的预训练模型通过利用包括各种语言模式的大规模语料库来改善成语和隐喻理解。对富含惯用表达式的数据集进行微调进一步提高了它们的性能。例如，如果模型在与死亡相关的上下文中经常遇到 “踢水桶”，则它将学习将短语与其比喻含义相关联。
挑战依然存在，因为习语和隐喻因语言和地区而异，而且许多在训练数据中代表性不足。多模态NLP的研究将文本与图像或其他数据相结合，在提高对比喻语言的理解方面显示出希望。尽管取得了进步，但充分解释成语和隐喻仍然是NLP的持续发展领域。