上交联合美团推出了TokenIT和TokenFD，解决了细粒度文本图像理解的挑战。TokenIT是首个token级图文数据集，包含2000万图像和18亿Token-Mask对，支持细粒度对齐。TokenFD实现了视觉与语言的token级对齐，提升了多模态大模型性能，推动文档理解和图文检索的发展。