通过文本和视觉提示提供灵活的对象引用

划重点:🔍最近，大型视觉语言模型（LVLMs）在需要文本和图像理解的任务中表现出色。🚀团队引入了Griffonv2，这是一种统一的高分辨率模型，旨在通过文本和视觉线索提供灵活的对象引用。🌟Griffonv2在引用表达生成（REG）、短语定位和引用表达理解(REC)等任务中表现出色。