Tag · 1 篇
SAMTok: Representing Any Mask with Two Words
把任意区域掩码离散化为两个 token,使基础 MLLM 无需改架构、无需专用分割解码器即可用标准下一词预测和 RL 获得像素级理解与生成能力;做区域级 VLM、grounding 或交互式分割的工作可直接复用该掩码分词方案与文本答案匹配奖励。