本研究提出了一种多尺度视觉知识对齐方法，解决了多模态大语言模型在精细视觉理解中的知识对齐不足问题。该方法有效整合文本、坐标和图像信息，显著提升模型在复杂视觉场景中的表现。TinyGroundingGPT模型在接地任务中表现优异，性能与更大规模模型相当。