SaliLLM发现多模态大模型定位强于SOTA，但分割仍明显较弱。
推荐理由：最关键发现是能力错位：MLLM在显著物体定位上超过传统SOTA，却在像素级分割落后；这提示视觉语言模型的语义理解尚未转化为精细掩码能力。
阅读原文