研究人员创造了一个用于基础视觉聊天的数据集，并引入了一个名为Grounding-Bench的基准。他们提出了一种模型设计，通过将分割模型与语言模型相连接来支持GVC和各种类型的视觉提示。实验结果表明，他们的模型在Grounding-Bench上表现优异，并在经典的基准测试中也取得了有竞争力的性能。