大規模言語モデルを用いたキーポイント理解：KptLLM

本稿では、画像内のキーポイントの理解と位置特定において、従来の視覚モデルを超える可能性を秘めた、マルチモーダル大規模言語モデル（MLLM）を用いた新しいフレームワーク「KptLLM」を提案する。