PixSearch：区域锚定检索增强多模态模型

Jeonghwan Kim 等作者提出 PixSearch，一种端到端的分割式大型多模态模型（LMM），将区域级视觉锚定与检索增强推理统一起来。 据作者描述，该模型在自回归生成中学习何时检索、如何在文本、整图和区域级检索之间路由查询，并用联合训练的掩码解码器裁剪目标实体作为视觉查询。上述能力来自论文自述，尚未见独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。