arXiv · 训练
PGT 提出程序化生成任务以提升 MLLM 细粒度视觉理解
PGT 是一个数据驱动框架，通过程序化生成任务来提升多模态大语言模型的细粒度视觉理解能力。该框架针对 MLLM 在需要精确对应视觉细节的场景中表现不佳的问题，设计了一套自动化的任务生成流程，让模型在更丰富的训练数据中强化视觉定位与语义匹配。论文发布在 arXiv 上，团队来自学术界，框架本身简洁且不依赖额外人工标注，具有较强的可扩展性。
- 域名
arxiv.org- 评分
- 4 · 重要更新
- 发布
- 2026-05-22
导读
这条暂时没有深度导读，点上方「访问项目本体」直接到源页面查看。
原文摘要
Despite remarkable progress in Multimodal Large Language Models (MLLMs), these models still struggle with fine-grained understanding tasks. In this work, we propose Procedurally Generated Tasks (PGT), a simple data-driven framework that serves a dual purpose: inducing fine-grained visual understand…