CAFT：分层对齐的视觉定位模型

Byeongju Woo 等作者提出 CAFT（Cross-domain Alignment of Forest and Trees）视觉语言模型，用于图像与长描述的视觉定位理解。该模型在中间层学习局部文本与图像区域的对齐，在最终表示学习全局图文对齐，作者称由此兼顾细粒度视觉证据与整体场景理解。 目前公开信息仅为方法层面的描述，报道未给出该模型在具体任务上的评测结果或与其他模型的对比数据。

AI 根据报道生成 · 47 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。