GLEE

近年来，LLM 已经一统所有文本任意，展现了基本模型的弱小潜力。一些视觉基本模型如 CLIP 在多模态理解任意上同样展现出了弱小的泛化才智，其统一的视觉语言空间带动了一系列多模态理解、生成、盛开词表等任意的发展。然而针对更细粒度的宗旨级别的感知任意，目前依然缺乏一个弱小的基本模型。为了解决这个问题，来自华中科技大学和字节跳动的研究团队提出了一个针对视觉宗旨的基本模型 GLEE，一次性解决图象和视频…