研究笔记

Perceptio：让视觉语言模型先“画出空间”，再回答

大视觉语言模型擅长描述图像里“有什么”，却说不清“在哪里”。Perceptio 让模型先生成分割与深度 token，再给出答案。本文简要介绍思路、训练技巧与结果。