跳到正文

PixelLLM

把文字与像素对齐的视觉语言模型

访问官网

PixelLLM 是什么

该模型被介绍为用于图像定位任务的视觉-语言模型,把描述性文字与像素位置联系起来。

你可以用它做什么

  • 由输入位置生成描述性文字
  • 由输入文字生成像素坐标
  • 处理密集物体描述

模型说明

  • 预训练使用 Localized Narrative 数据集
  • 预训练中学习词与像素的对齐关系
  • 资料提到在 RefCOCO 与 Visual Genome 上的结果

优点与缺点

✓ 我们认可的地方

  • 覆盖由位置生成文字与由文字生成位置两个方向
  • 预训练中学习词与像素的对齐

! 需要留意的地方

  • 任务集中在图像定位
  • 点名的数据集为 RefCOCO 与 Visual Genome

常见问题

它对齐什么?

资料说明在 Localized Narrative 数据集上学习单词与图像像素的对齐。

列出哪些任务?

功能列表列出位置条件描述、指示定位和密集物体描述。

最后评测: 2026-11-15

更多 AI 图像生成 工具

查看全部 →

评测方法