模型
Florence-2
微软发布的多模态视觉基础模型，支持目标检测、图像描述、视觉问答等多种视觉任务，具备开放词汇定位能力
时间轴 (近 90 天)
10月17日
Florence-2 将图像视觉编码器输出的特征序列与文本提示的词元序列拼接后送入编码器，再由解码器自回归生成文本答案，任务差异由提示词前缀表达。
待验证50%
10月17日
Florence-2 模型 schema 标注了 'Grayscale input image'，暗示输入可能被转为灰度处理，依赖颜色判别的任务可能不适用。
待验证50%
9月11日
Grounding DINO、Florence-2 等多模态模型将视觉编码器与语言模型结合，提升了开放词汇条件下的定位精度
待验证50%