马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
您需要 登录 才可以下载或查看，没有账号？立即注册
x
图像分类（Image Classification）
模型名特点备注ConvNeXt V2卷积改进，媲美 Transformer强于 ResNet、EfficientNetVision Transformer (ViT)全 Transformer 架构开创图像 transformer 海潮Swin Transformer V2局部留意力 + 金字塔结构更强的多尺度能力CoaT / CMT / EfficientFormer卷积+留意力结合提高效率，兼顾性能
目的检测（Object Detection）
模型名类型特点YOLOv8单阶段快速轻量，工业实用RT-DETRTransformer实时 DETR，端到端快DINOTransformerDETR 系列最强，效果极佳Sparse R-CNNRegion-based不用 anchor，更精炼Deformable DETRTransformer + 可变卷积提高收敛速度
实例分割（Instance Segmentation）
模型名基础架构特点Mask R-CNNFaster R-CNN + mask head经久不衰的经典方案SOLOv2 / YOLACT单阶段实时分割方案Mask2FormerTransformer + 全任务统一分割任务通吃（语义/实例/全景）
语义分割（Semantic Segmentation）
模型名特点数据集SegFormer高效的 transformer 分割Cityscapes, ADE20KHRNet高分辨率保持多尺度信息并行DeepLabv3+空洞卷积曾是标准方法Mask2Former通用分割架构适配全部分割类型
视频理解（Video Understanding）
模型名任务特点VideoMAE视频分类自监视预训练，体现强TimeSFormerTransformer分离时空 attentionSlowFast动作识别快慢路径建模动作变化
多模态视觉（Vision + Language）
模型名类型特点BLIP / BLIP-2图文天生/理解支持图像描述、VQA、跨模态检索OFAOne-For-All统一多模态任务GIT图文 Transformer图像 → 文本，轻量高效MiniGPT-4 / LLaVA类 GPT-4V图文对话，基于视觉 encoder + LLM
自动驾驶/3D 检测（3D Detection / Perception）
模型名特点数据集BEVFormerbird’s-eye-view TransformerNuScenes, WaymoPointRCNN基于点云的 R-CNNKITTIPV-RCNN高效的两阶段点云检测3D 识别 SOTA 多次CenterPointanchor-free + center-based快速稳固
视觉基础模型（视觉大模型，VLM）
模型名类型特点CLIP图文对齐开创多模态预训练DINOv2视觉体现学习强盛的通用视觉表征SAM (Segment Anything)万能分割器Promptable 分割范式SEEMEverything Model多模态提示泛化分割Florence / BEiT-3微软大模型文本图像联合建模 文本分类 / 情感分析（Text Classification / Sentiment Analysis）
模型特点常用数据集RoBERTaBERT 的优化版，泛化更强SST-2, AGNewsDeBERTa V3解耦留意力，体现顶级GLUE, IMDbERNIE 3.0知识增强预训练中文任务强ELECTRAGAN 式训练，高效收敛-
文本天生（Text Generation）
模型特点应用方向GPT-4多模态，推理能力强通用文本天生LLaMA 2开源强模型，得当微调Chat、创作等GLM-4中英文体现均衡，开放模型中英天生、对话T5 / FLAN-T5任务统一建模可调教天生模型
阅读理解 / 问答（Reading Comprehension / QA）
模型特点数据集UnifiedQA多任务问答统一架构SQuAD, HotpotQAMacaw开放域 QA可解答知识、多步标题GPT 系列 + Retrieval检索增强天生RAG, WebQA 等ChatGPT (GPT-3.5/4)多轮推理能力多任务泛化强
语言建模 / 通用 LLM
模型说明GPT-4 / ChatGPT多任务通用模型，体现全面Claude 3强推理与安全性兼顾GeminiGoogle 的多模态旗舰LLaMA 2高性价比开源 LLMGLM 系列中文支持强，开源友好Mistral / Mixtral小模型高性能，MoE 架构代表
文本摘要（Summarization）
模型特点任务类型PEGASUS预训练专为摘要计划abstractive summarizationBART / mBART编码解码 + 噪声建模多语言支持强T5 / FLAN-T5任务统一建模恣意格式摘要ChatGPT / GPT-4长文摘要能力优秀长文+结构保持
信息抽取（NER / RE / Event Extraction）
模型特点BERT-MRC / UIE（统一信息抽取）提示式信息抽取（统一问答框架）LayoutLMv3文档抽取 + 视觉增强DyGIE++实体 + 关系 + 变乱联合抽取ChatGLM + Prompt用于小样本 Prompt NER
机器翻译（Machine Translation）
模型特点来源mBART / mT5多语言预训练Facebook / GoogleNLLB-200支持 200 多种语言MetaDeepL + GPT-4实用最强组合商业翻译+润色ChatGPT润色式翻译优于通用 NMT
推理任务（自然语言推理 NLI / 多跳问答 / 多步推理）
模型特点数据集DeBERTa / RoBERTaNLI 经典强者MNLIGPT-4多步链式推理能力强Chain-of-ThoughtReAct / CoT Prompting结合工具和思索的推理范式HotpotQA, OpenBookQA
多语言 NLP（Multilingual NLP）
模型特点mBERT / XLM-R多语言预训练的经典mT5 / mBART50多语言翻译 + NLU 支持NLLB-200特别得当低资源语言
视觉定位概览
过去几年，视觉定位领域从基于 DETR 的模块化检测-定位框架发展到大规模多模态预训练，再到结合大型语言模型的多粒度天生式方法。早期代表作 MDETR（2021）初次将检测与定位端到端统一；随后 GLIP（2021）通过语言——图像对齐预训练在 COCO 上取得 60.8 AP 的 SOTA 成绩；GLIPv2（2022）进一步拓展到实例分割与多任务跨模态理解。2023 年，Grounding DINO 在零样本检测与定位上革新记录；2024 年底的 OneRef 与 HiVG 引入了天生式和条理化多模态战略；最新的Ferret（ICLR 2024）将定位能力嵌入到多模态 LLM，实现恣意形状的开放词汇定位；乃至 3D 视觉定位领域也涌现出 SeeGround（2024 12）等零样本框架。
从基于 DETR 的端到端方法（如 MDETR）➔地区–短语对齐预训练（如 GLIP/GLIPv2）➔零样本&开放词汇定位（GroundingDINO 及其 Pro 版本）➔天生式&统一框架（OneRef、Generative VLM）➔多模态大模型（Ferret、Kosmos-2）的融合应⽤。
1. 基于 DETR 的端到端定位模型
- MDETR (2021)：首个将目的检测与自然语言定位统一在 DETR 框架下，通过多模态编码器-解码器端到端训练，实现对 RefCOCO 系列基准的领先体现。
- LightMDETR (2024)：轻量化版本，P@1 在 RefCOCO（85.92%）与 RefCOCOg（80.97%）上略超原始 MDETR，验证了“低成本”端到端方法的可行性
- Position-guided Text Prompt：在预训练阶段通过“分块+填空”机制强化图文位置对齐，有效提升下游定位精度。
- RefFormer(NIPS 2024)：通过“查询适配（Referential Query）”模块，将 CLIP 作为背靠骨干，天生初始查询以减轻多模态解码难度，在五个视觉定位基准上超越此前 SOTA。
2. 地区—短语对齐预训练
- GLIP (CVPR 2022)：Grounded Language-Image Pre-training 模型，统一目的检测与短语定位预训练，实现 60.8 AP on COCO val，并显现强zero-shot、few-shot 能力。
- GLIPv2 (2022)：在 GLIP 基础上，增长实例分割与多任务理解，统一 Localization 与 Vision–Language Pre-training，使单一模型同时到达检测、分割与定位的 SOTA 水平。
- CLIP-VG (TMM 2023)：使用 CLIP 天生伪语言标签并自适应课程学习，在 RefCOCO/+/g 上的全/弱监视与无监视场景均革新了当时记录。
3. 零样本与开放词汇定位
- GroundingDINO (ECCV 2024)：将 DINO 检测器与 grounded pre-training 结合，实现开放词汇检测与定位的零样本 SOTA，在 COCO、LVIS 及 ODinW 等基准上体现优秀。
- GroundingDINO 1.6 Pro (2025 Q1)：对 1.5 版本进一步优化，尤其是在 LVIS “rare” 类的零样本迁徙上取得更大提升。
- Florence-2-large-ft：在 Papers With Code Leaderboard 上，Florence-2-large-ft 在 RefCOCO+、RefCOCO、RefCOCOg 多个拆分上均居榜首。
4. 天生式统一与条理化多模态战略
- OneRef (NeurIPS 2024)：通过天生式定位机制，实现端到端从文本到检测框的“一步到位” Referring Expression Comprehension，通过 Mask Referring Modeling（MRefM）在 RefCOCOg/Flickr30K 上革新记录。
- Learning Visual Grounding from Generative VLM (Jul 2024)：使用大规模天生式 VLM 自动构建 1M+ 对应表达的 Grounding 数据集，零样本迁徙到 RefCOCO 系列便大幅超越人标方
- HiVG (ACM MM 2024)：采取条理化多模态细粒度特性融合，进一步提升复杂表达式下的定位准确率。
5. 大型多模态语言模型融合
- Ferret (ICLR 2024)：将混合离散坐标与连续特性的地区体现融合到 MLLM 中，支持恣意形状、开放词汇的精细化视觉定位。
- Kosmos-2 (2023)：通过 Markdown 链接式表达[text span](bounding boxes)，基于大规模 GrIT 语义-视觉对齐数据集训练，将定位能力内嵌到通用多模态 LLM，实现多任务跨模态理解与定位。
- BLIP-2 (2023)：使用冻结的图像与语言模型，通过轻量级查询器桥接两者，实现低成本预训练并在包罗定位在内的多项视觉-语言任务上革新 SOTA。
6. 3D 场景定位
- SeeGround (2024 12)：零样本 3D 视觉定位框架，将 2D 预训练 VLM 扩展至 3D 场景，通过多视角渲染与空间描述融合，超越弱监视和部分监视 SOTA。
视觉定位的 SOTA 模型已覆盖从端到端 DETR、地区–短语预训练、零样本开放词汇、天生式一体化，到多模态大模型等全栈技术门路。选型应根据下游需求（精度 vs. 效率、零/少样本、天生能力、LLM 集成）进行权衡。
模型名称参数量 (B)RefCOCO (val / testA / testB)RefCOCO+ (val / testA / testB)RefCOCOg (val / test)KOSMOS-21.652.32 / 57.42 / 47.2645.48 / 50.73 / 42.2460.57 / 61.65MDETR-R101–86.75 / 89.58 / 81.4179.52 / 84.09 / 70.6281.64 / 80.89NExT-Chat785.50 / 90.00 / 77.9077.20 / 84.50 / 68.0080.10 / 79.80MDETR-ENB3–87.51 / 90.40 / 82.6781.13 / 85.52 / 72.9683.35 / 83.31Shikra787.01 / 90.61 / 80.2481.60 / 87.36 / 72.1282.27 / 82.19Ferret787.49 / 91.35 / 82.4580.78 / 87.38 / 73.1483.93 / 84.76GroundingGPT788.02 / 91.55 / 82.4781.61 / 87.18 / 73.1881.67 / 81.99PixelLLM489.80 / 92.20 / 86.4083.20 / 87.00 / 78.9084.60 / 86.00SimVG-DB-Base0.1891.47 / 93.65 / 87.9484.83 / 88.85 / 79.1286.30 / 87.26COMM-7B791.73 / 94.06 / 88.8587.21 / 91.74 / 81.3987.32 / 88.33SimVG-DB-Large0.6192.87 / 94.35 / 89.4687.28 / 91.64 / 82.4187.99 / 89.15
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
