模型
Florence-2
微软发布的多模态视觉基础模型，支持目标检测、图像描述、视觉问答等多种视觉任务，具备开放词汇定位能力
时间轴 (近 90 天)
9月11日
Grounding DINO、Florence-2 等多模态模型将视觉编码器与语言模型结合，提升了开放词汇条件下的定位精度
待验证50%
微软发布的多模态视觉基础模型，支持目标检测、图像描述、视觉问答等多种视觉任务，具备开放词汇定位能力
Grounding DINO、Florence-2 等多模态模型将视觉编码器与语言模型结合，提升了开放词汇条件下的定位精度