VLM

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。

Perceptio 探索通过空间 token 生成增强视觉语言模型的感知能力，以支持复杂的二维与三维空间推理。