🌟重塑统一架构！紫东太初 FOCUS 实现视觉 - 语言精准生成 武汉人工智能研究院紫东太初团队联合鹏城实验室等机构，提出全新统一视觉-语言模型 FOCUS，实现“看懂图像细节”与“精细编辑内容”的真正统一，相关论文已被 NeurIPS 2025 接收。 🔍 解决什么痛点？ 现有视觉-语言模型在细粒度任务中存在明显局限： 要么只能识别物体，要么只能简单生成，识别与编辑相互割裂，无法在理解细节的基础上进行精准可控的编辑操作。 💡 核心创新：感知与生成深度融合 FOCUS 首次在统一框架中实现 “分割感知” 与 “对象级可控生成” 的端到端协同，不再依赖多个独立模型，即可完成对图像和视频中特定目标的识别、移除、替换与场景转换。 ⚙️ 技术架构亮点 双分支视觉编码器：同时理解图像整体语义与局部细节 渐进式四阶段训练：从低分辨率到高分辨率逐步优化，稳定收敛 掩码驱动生成机制：通过分割结果精准引导编辑区域，支持涂鸦、框选等多种交互方式 📊 性能全面领先 在多项权威测试中，仅 3B 参数的 FOCUS 表现出色： ✅ 多模态理解能力媲美 7B 参数模型 ✅ 图像编辑质量超越专用编辑模型 ✅ 指称分割精度达到业界领先水平 ✨ 应用价值 FOCUS 为图像/视频的细粒度编辑、创意设计、智能剪辑等场景提供了高效可靠的工具，推动视觉-语言大模型走向更实用、更可控的新阶段。 #NeurIPS2025 #紫东太初 #多模态AI #视觉语言模型 #AIGC #AI编辑 #ai #人工智能 #计算机视觉 #大模型