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 视觉/多模态，更适合按具体工作流、部署方式和团队场景来判断是否适配。从现有资料来看，它主要强调 生成与对象分割掩码无缝集成的自然语言响应。。典型使用场景包括 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。。页面记录的许可证为 Apache-2.0。当前 GitHub Stars 为 969。相关标签包括 多模态人工智能、计算机视觉。