从图像到视频的任意分割：X2SAM让MLLM 真正看懂像素级时空世界
从图像到视频的任意分割：X2SAM让MLLM 真正看懂像素级时空世界为了解决这一问题，来自中山大学和美团的研究团队提出了 X2SAM，一个统一的图像与视频分割多模态大模型框架。它希望让模型不仅能「看懂」图像和视频，还能进一步「指出」目标在每个像素上的准确位置。
来自主题: AI技术研报
7333 点击 2026-05-16 10:50
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT