先分割后回答：MLLM视觉推理的像素级定位

英文标题：Segmentation before Answering: Pixel Grounding for MLLM Visual Reasoning

近期多模态大语言模型（MLLM）从静态感知迈向交错式视觉语言推理，即“用图像思考”。该推理过程的基本操作之一是对相关区域进行缩放。为此，新论文提出一种先分割后回答的策略，旨在通过像素级定位提升MLLM视觉推理的精确性。这一思路为开发者构建更具空间理解能力的 Agent 和交互式应用提供了新的方向。

2.6 KB 2.1 KB 612 B 380 B 9.1 KB 22.8 KB 24.2 KB 34.7 KB