以下是本文的主要内容： - 本文研究了如何将图像模态整合到全稀疏架构中，以实现高效的远程3D检测。 - 该方法使用实例查询将2D实例分割与基于LiDAR的3D分割进行融合，从而实现了nuScenes和Argoverse 2数据集上的最...

本文介绍了一篇新的论文，提出使用机器生成的指令跟踪数据来调整大型语言模型（LLMs）以执行多模态任务。该论文开发了LLaVA，这是一个大型多模态模型，它结合了视觉编码器和仅限于语言的GPT-4。经过调整后，LLaVA展...