大模型视觉这么强了，为什么还不能做标注任务？

有专门的模型

这段时间没关注过了，之前nvidia的eagle还不错

你的视觉能力强的结论是怎么来的?

常见的目标是可以的，不过要注意不同的模型输出图片的坐标不太一样，有的是绝对坐标，有的是归一化到1000的

你用它来做啥了，yolo？

能不能让大模型操纵检测模型，RSI了

虽然说有一个新闻是Ai解决人类无法解决的问题，但是还不成熟，你没办法让Ai去做没有资料的东西。

就算写代码，你看看github没有的项目，叫Ai写出来的代码逻辑，跑都跑不顺，测试都是自己编的，你说清楚逻辑的情况都写不出来

是的，做YOLO，但我觉得一些简单的物品应该是比较好识别的，就是不知道为什么做出来效果不好。

是的，我觉得输入到大模型token化了之后，应该是丢失了绝对坐标。

标注任务就是很难绷，我前两天让 ds 和 glm 标数据集给我整破防了，最后还是手动标的。

你可以举个例子 实际上现在前沿大模型做这个并不差

或者是你的任务实在太不常规 太难了

我举个例子 有人测这个

X (formerly Twitter) – 5 Sep 26

X 上的 SkalskiP (@skalskip92)

Gemini dethroned

GPT-6 Astra is the best "vision" model I've seen

• notices tiny details
• draws conclusions
• produces precise and tight boxes
• sees and reads text in different contexts
• knows a lot about a lot
• fast
• expensive

↓ GPT-6 Astra...

Google AI for Developers

图片理解  |  Gemini API  |  Google AI for Developers

开始在 Gemini API 中使用 Gemini 的多模态功能构建

谷歌gemini这个可以 你去试试

在aistudio的gallery搜 Robotics Spatial Understanding有的体验