自监督对应

指向部件：多模态大语言模型中的免训练少样本视觉定位

Pointing at Parts: Training-Free Few-Shot Grounding in Multimodal LLMs

提出一种免训练、即插即用的少样本部件级指向方法，通过融合文本与视觉注意力图以及自监督视觉对应，可提升MLLM在细粒度空间定位任务上的表现，为视觉语言模型的空间理解提供可复用技术。