OMG-LLaVA：图像层、对象层、像素层推理和理解的桥梁

BriefGPT - AI 论文速递 · 2024-06-27T00:00:00Z

近期，多模态大型语言模型（MLLM）在视觉与语言任务上表现出色。研究人员提出了使用VCoder作为多模态LLM的感知工具，以改善其在识别或计数图像中的实体方面的问题。他们还创建了COST数据集，用于训练和评估MLLM在对象感知任务上的表现。实验证据证明了VCoder在对象级感知能力上相比其他多模态LLM的改进。