大規模視覚言語モデルを用いた微細粒度認識に向けて：ベンチマークと最適化戦略

この記事は、微細粒度画像認識における大規模視覚言語モデル（LVLM）の性能向上に関する研究を提示している可能性が高いです。おそらく、新しいベンチマークを導入し、モデルが視覚データの微妙な違いを区別する能力を高めるための最適化技術を探求しています。焦点は、実用的な改善と評価にあります。