多模态大语言模型（MLLM）在理解和生成语言方面的能力令人惊叹，但在处理需要精确空间定位的视觉任务（如图像分割）时，往往显得力不从心。现有方法通常需要引入额外的分割解码器或复杂的坐标生成机制，增加了模型的复杂性和计算开销。来自南洋理工大学、武汉大学和字节跳动的

模型 图像分割 掩码 text4seg 文本掩码 2025-09-12 19:33  3