84.3%

研究团队提出像素空间推理范式，让视觉语言模型具备原生视觉操作能力，打破文本对视觉语义的翻译牢笼。通过视觉主动操作和视觉主导推理实现高效视觉理解，在高清图像、复杂场景计数及长视频推理中均取得显著性能提升。