Multi-modal Large Language Model

PointVG-R模型通过几何推理增强视觉基础 · 跟踪3个来源

研究人员开发了PointVG-R，这是一种新颖的推理引导多模态大语言模型（MLLM），旨在提高图像中精确点定位的准确性。该模型集成了几何感知推理、强化学习（RL）以及一个名为EgoPoint-CoT的新视觉思维链数据集。PointVG-R模拟人类解释手势的认知过程，并使用自适应重要性加权策略来优化学习。实验表明，PointVG-R取得了最先进的性能，在mIoU方面比基线模型高出15.86个百分点。