图像思维

加州大学圣克鲁斯分校提出GRIT模型，让多模态大语言模型既能条理清晰地思考又能真正将推理过程『落到画面』上。仅需20个带标注图像与问题的数据就能教会模型画框+推理，实现真正的‘图像思维’。