PSALM

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…