groundingLMM

GLaMM（接地大型多模态模型）是一个端到端训练的大型多模态模型，能够生成与对象分割掩码集成的自然语言响应，实现了视觉接地，并支持在多层次粒度上与图像进行灵活交互。它引入了新颖的接地对话生成（GCG）任务，支持指代表达式分割和区域级图像描述等多种下游应用，并以大规模的GranD数据集为基础。

groundingLMM 当前归类于 Vision / Multimodal，更适合那些希望围绕具体工作流而不是单一功能点来选型的团队。从当前资料来看，它尤其强调 生成与对象分割掩码无缝集成的自然语言响应。、理解并响应用户关于特定图像区域查询的交互式视觉助手。 这类能力。如果你关心许可证与可二次使用性，当前页面记录的许可证是 Apache-2.0。同时它也具备一定社区热度，当前 GitHub Stars 为 963。