学术

大模型助力分割，刷新10项SOTA！清华和美团提出HyperSeg：通用分割框架

作者

首个基于视觉大语言模型（VLLM）的通用分割模型HyperSeg，能够处理像素级图像和视频感知任务，并具备复杂的推理和对话能力。在多个分割任务中刷新了10项SOTA，展现了卓越性能。

GPT-4其实根本听不懂声音？港中文、斯坦福等联合打造视觉听觉评估新基准

作者

多模态大模型在听觉任务上表现不佳，甚至无法正确分辨明显不同的声音大小。研究团队提出了DeafTest和AV-Odyssey基准测试，揭示了现有模型在音频感知上的短板，并激发了对未来AI模型的改进方向。