Patch-as-Decodable Token

不再靠「猜坐标」！颜水成团队等联合发布PaDT多模态大模型：实现真正的多模态表征输出

近年来，多模态大语言模型（Multimodal Large Language Models, MLLMs）在图文理解、视觉问答等任务上取得了令人瞩目的进展。然而，当面对需要精细空间感知的任务 —— 比如目标检测、实例分割或指代表达理解时，现有模型却常常「力不从心」。其根本原因在于：当前主流 MLLMs 仍依赖将视觉目标「翻译」成文本坐标（如 [x1, y1, x2, y2] ）的方式进行输出。

10/16/2025 10:17:00 AM

机器之心

资讯热榜

告别抽卡！Vidu Q2多图参考生视频功能重磅上线最强OCR竟然不是DeepSeek、Paddle！HuggingFace新作：六大顶尖开源OCR模型横评！继DS后又杀出匹黑马！切斯基:Airbnb 暂缓接入 ChatGPT，AI 客服已用上通义千问独立开源大佬的疯狂实验：Claude Code蛮力出奇迹！40 分钟跑通 DeepSeek-OCR，我一行代码都没写 OpenAI、Oracle 再加码 AI 基建:150亿美元 Lighthouse 园区启动建设大模型推理学习新范式！ExGRPO框架：从盲目刷题到聪明复盘 AI赋能，重塑零售：详解零售巨头塔吉特的业务转型策略 OpenAI 内部警示:ChatGPT Atlas 面临“即时注入”安全威胁

标签云

AI 人工智能 OpenAI AIGC 模型 ChatGPT DeepSeek 谷歌 AI绘画机器人数据大模型 Midjourney 开源 Meta 智能微软用户 AI新词 GPT 学习技术智能体马斯克 Gemini 图像 Anthropic 英伟达 AI创作训练 LLM 论文代码算法芯片 AI for Science Agent 腾讯 Stable Diffusion 苹果 Claude 蛋白质开发者生成式神经网络 xAI 机器学习 3D 人形机器人研究 RAG AI视频生成大语言模型 Sora 工具百度具身智能 GPU 华为计算字节跳动 AI设计搜索 AGI 大型语言模型视频生成场景深度学习架构 DeepMind 编程生成式AI 视觉预测 Transformer AI模型伟达特斯拉 Copilot