华中科技大学

最近，多模态大模型（LMM）获得了一系列引人注目的成就，特别是在视觉 - 语言任意上的表现令人瞩目。它们的成功不仅展现了多模态大模型在各个领域的实用性和灵活性，也为更多视觉场景下的应用探索了新的道路。尽管如此，在将 LMM 应用到计算机视觉任意上时，我们仍面临一个关键挑战：大多数 LMM 目前只限于文本输入，这限制了它们在处理更细粒度的视觉任意，如图象朋分方面的本领。此外，图象朋分领域内部的需求多…

最近，华中科技大学和金山的研究人员在多模态大模型 Monkey [1]（Li et al., CVPR2024）工作的基础上提出 TextMonkey。在多个场景文本和文档的测试基准中，TextMonkey 处于国际领先地位，有潜力带来办公自动化、智慧教育、智慧金融等行业应用领域的技术变革。论文链接：： 是一个专注于文本相关任务（包括文档问答和场景文本问答）的多模态大模型（LMM）。相比于 Mon…