高解像度画像の参照と位置合わせを可能にする大規模言語モデルの改良版Ferret-v2

Ferret-v2は、高解像度画像の詳細な理解と、ユーザーの指示に忠実に従うことを目的とした大規模言語モデルである。高解像度画像の処理、多粒度の視覚エンコーディング、段階的な事前学習により、従来のFerretを大幅に改善している。