AttnSeg提升视觉语言模型分割性能
发生了什么
据arXiv cs.CV论文，研究者引入AttnSeg方法，利用视觉语言模型中[SEG] token对图像token的注意力机制作为解码器的密集空间提示，替代传统的隐藏状态压缩。在Sa2VA模型上应用该两阶段训练策略，4B模型在ReasonSeg和GS-Eval指标上分别提升6.4和10.2 gIoU，14B模型分别提升8.8和11.3 gIoU。
- 4B模型ReasonSeg提升
- 6.4 gIoU
- 14B模型GS-Eval提升
- 11.3 gIoU
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 一手材料1 个发布入口