AITP
精选全部 AI 动态AI 日报Agent 接入关于更新日志信源提报反馈
登录 / 注册
AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签:PGT×
6月16日
20:46
AITOP6月16日 20:46
600亿美元买下Cursor,xAI终于拿到了编程工具,但真正值得跟踪的或许不是AI600亿美元买下Cursor,xAI终于拿到了编程工具,但真正值得跟踪的或许不是AI
6月12日
12:57
AITOP6月12日 12:57
Claude代码里藏了个20260612,18个月后的AI记忆革命已经开始倒计时
6月11日
15:28
AITOP6月11日 15:28
1107 vs 303:谷歌悄悄开源了一个“拆打字机”的模型,把大模型速度翻了4倍
15:23
AITOP6月11日 15:23
DiffusionGemma颠覆文本生成?自回归模型的“统治”要结束了
15:07
AITOP6月11日 15:07
每秒1107个token,Google开源的扩散模型为什么能改变本地推理格局?
5月25日
11:15
11:15arXiv cs.AI@Rim Assouel, Amir Bar, Michal Drozdzal, Adriana Romero-Soriano
精选
多模态大语言模型在细粒度视觉理解上仍有不足。研究者提出PGT框架,通过在图像上叠加几何基元生成密集监督信号,分离视觉定位与语义先验。实验显示,在LLaVA-v1.5-Instruct上加入PGT数据后,What'sUp基准提升20%,CV-Bench-2D提升13.3%,且不影响通用感知能力。在先进MLLM上微调也带来最高8.3%的提升。结果表明,许多空间推理缺陷源于监督信号不足,而非架构或分辨率限制。
论文多模态大语言模型视觉定位数据增强细粒度理解PGT

推荐理由:PGT用低成本数据生成解决了MLLM细粒度视觉理解的瓶颈,做多模态模型训练或评估的团队可以直接用这个框架提升定位能力,值得一试。
原文
精选全部日报登录