字節大模型新進展：首次引入視覺定位，實現細粒度多模態聯合理解，已開源 & demo 可玩

文章介紹了字節跳動推出的 BuboGPT 模型，該模型支持文本、圖像、音頻三種模態的多模態聯合理解，並首次引入視覺定位技術，能夠精確定位圖像中的對象。研究人員通過採用多模態指令調整的訓練方案，使得 BuboGPT 在多模態任務上取得了良好的效果。該模型已經開源並提供了可玩的 demo 頁面。