新加坡国立大学NExT++实验室与清华刘知远团队合作打造的多模态大模型集成了检测分割模块，使抠图变得更加简单。通过自然语言描述需求，模型能够快速标注出要寻找的物体，并提供文字解释。该模型在多个任务数据集上的实验表现优秀，具有较好的指代分割和REC任务的能力。此外，该模型还引入了基于embedding的位置建模方式，拥有更好的位置建模能力。通过训练流程的优化，该模型在标注稀缺的分割任务上也能取得良好的表现。