PixSearch：区域级检索增强多模态模型

2026年10月15日，arXiv 人工智能板块出现一篇报道，介绍 Jeonghwan Kim 等人提出的 PixSearch。该报道称，PixSearch 是一种端到端的分割式大型多模态模型（LMM），将区域级视觉锚定与检索增强推理统一起来。据该报道，PixSearch 在自回归生成中学习何时检索、如何在文本、整图和区域级检索之间路由查询，并使用联合训练的掩码解码器裁剪目标实体作为视觉查询。上述内容为目前该事件可确认的全部进展，报道未披露模型规模、训练数据、评测结果或发布时间等进一步信息，也暂无后续跟进报道或与之矛盾的说法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。