Dec, 2023

构建大型多模态模型理解任意视觉提示

TL;DR该研究介绍了一种新颖的多模态模型,可以解码任意视觉提示,通过在RGB图像上直接叠加视觉标记的方式,实现了对特定区域的理解,在区域理解任务上取得了最先进的性能,并提出了ViP-Bench,一个综合评估模型在理解多个维度上的视觉提示能力的基准,为未来的研究提供了可能。