PixSearch：区域级检索增强多模态大模型论文发布

PixSearch 作者团队（含 Meta 研究人员）发布论文，提出分段式大型多模态模型 PixSearch，把区域级视觉定位与检索增强推理统一到一个端到端模型中：模型自主决定何时检索、在文本、整图和区域检索间路由查询，并用联合训练的掩码解码器裁剪目标实体。 论文称，在 CRAG-MM 基准上，PixSearch 相比整图检索取得 18.3% 的相对准确率提升，在自我视角（egocentric）图像上提升尤其明显；相比缓存版 GroundedSAM-LLaVA 流水线，推理延迟降低 36.4%。这些数字为作者报告结果，基于论文内容，尚属论文声称阶段。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。