Linhui Xiao

新的Hi-Token方法提高了AI模型中的视觉基础准确性

研究人员开发了一种新颖的生成式视觉基础方法Hi-Token，通过分层标记坐标来提高边界框预测的准确性。该方法对百位、十位和个位数字进行编码，增加了结构并促进了视觉-语言模型中的标记重用。作为Hi-Token的补充，Hi-GAR在训练过程中使用基于几何的奖励来进一步提高定位精度。在多个视觉-语言模型骨干和基准上的实验表明，性能持续提升，其中Hi-R1与现有的专业方法相比取得了更优异的结果。