用視覺來做Prompt，是種什么體驗？

只需在圖里隨便框一下，結果秒秒鐘圈出同一類別！

即便是那種GPT-4V都難搞定的數米粒的環節。只需要你手動拉一下框，就能找出所有米粒來。

新的目標檢測范式，有了！

剛剛結束的IDEA年度大會上，IDEA研究院創院理事長、美國國家工程院外籍院士沈向洋展示了最新研究成果——

基于視覺提示（Visual Prompt）模型T-Rex。

整個流程交互，開箱即用，只需幾步就可以完成。

此前，Meta開源的SAM分割一切模型，直接讓CV領域迎來了GPT-3時刻，但仍是基于文本prompt的范式，在應對一些復雜、罕見場景就會比較難辦。

現在以圖換圖的方式，就能輕松迎刃而解。

除此之外，整場大會也是干貨滿滿，比如Think-on-Graph知識驅動大模型、開發者平臺MoonBit月兔、AI科研神器ReadPaper更新2.0、SPU機密計算協處理器、可控人像視頻生成平臺HiveNet等等。

最后，沈向洋還分享了過去幾年時間花時間最多的一個項目：低空經濟。

我相信當低空經濟發展到相對成熟時，同一個時間點，在深圳的天空中每天有10萬架無人機，每天飛起來的有百萬架無人機。

用視覺來做Prompt

除了基礎的單輪提示功能，T-Rex還支持三種進階模式。

• 多輪正例模式

有點像多輪對話，以得出更為精確的結果，不至于出現漏檢的情況。

• 正例+負例模式

適用于視覺提示帶有二義性造成誤檢的場景。

*　跨圖模式。

用單張參考圖提示，來檢測其他的圖。

據介紹，T-Rex不會受到預定義類別限制，能夠利用視覺示例指定檢測目標，這樣一來就克服有些物體難以用文字充分表達的問題，以提高提示效率。尤其像一些工業場景中的復雜組件等。

除此之外，通過與用戶交互的方式，也可以隨時快速地評估檢測結果，并進行糾錯等。

T-Rex主要由三個組件組成：圖像編碼器、提示編碼器以及框解碼器。

這項工作來自IDEA研究院計算機視覺與機器人研究中心。

該團隊此前開源的目標檢測模型DINO是首個在COCO目標檢測上取得榜單第一的DETR類模型；在Github上大火（至今狂攬11K星）的零樣本檢測器Grounding DINO與能夠檢測、分割一切的Grounded SAM。更多技術細節可戳文末鏈接。

整場大會干貨滿滿

除此之外，IDEA大會上還重點分享了幾個研究成果。

比如Think-on-Graph知識驅動大模型，簡單來說就是將大模型與知識圖譜結合。

大模型擅長意圖理解和自主學習，而知識圖譜因其結構化的知識存儲方式，更擅長邏輯鏈條推理。

Think-on-Graph通過驅動大模型agent在知識圖譜上“思考”，逐步搜索推理出最優答案（在知識圖譜的關聯實體上一步一步搜索推理）。每一步推理中，大模型都親自參與，與知識圖譜相互取長補短。

MoonBit月兔，這是由Wasm驅動，專為云計算與邊緣計算設計的開發者平臺。

它不僅提供通用程序語言設計，還整合了編譯器、構建系統、集成開發環境（IDE）、部署工具等版塊，來提升開發體驗與效率。

此前發布的科研神器ReadPaper也更新至2.0，發布會現場演示了閱讀copilot、潤色copilot等新功能。

發布會最后，沈向洋發布《低空經濟發展白皮書（2.0）——全數字化方案》，在其智能融合低空系統（Smart Integrated Lower Airspace System，SILAS）中，提出時空進程（Temporal Spatial Process）新概念。

T-Rex鏈接：
https://trex-counting.github.io/