Aug, 2023

多模态大语言模型的位置增强视觉指令调整

TL;DR通过引入区域级别的视觉编码器,本文提出了一种增强图像教学调整功能的多模态大型语言模型(MLLMs),以实现更细粒度的模态交叉对齐,并设计了多种数据生成策略构建了图像-区域-语言指令数据集,实验结果表明该模型的卓越性能。