视觉语言智能体：迈向协作的上下文对象推理

本研究解决了多模态大型语言模型在图像中精确物体定位不足的问题。我们提出了视觉语言智能体（VLA），该框架结合了多模态语言模型的关系推理能力与传统物体检测器的精确定位能力，从而显著提升空间推理和物体定位的效果。实验证明，VLA在多个检测模型上表现出明显的性能提升，有望成为准确且上下文一致的物体检测的新标杆。