通义千问VL-Max等VL系列的视觉模型图像定位bbox漂移严重，请官方修正一下
我自己测试了一些APP截图，用VL系列大模型寻求可点击区域的位置。例如以这张为例：
原图为
图像宽高为：432*960（这个宽高在官方文档描述的【物体定位效果较为鲁棒】的区间）
使用模型：通义千问VL-Max
promt为：请给出页面可点击元素的bbox和其描述，以json格式返回
根据返回信息中的bbox坐标画框，得到的结果如下所示：
可以看到漂移是相当严重的，而且漂移现象主要集中在页面右下侧部分。
事实上我根据官方文档link
中找到的示例来画框，
也可以看到漂移现象，同样是集中在右下侧区域。
千问VL系列是相当优秀的大模型，也请官方重视一下这种小瑕疵，感谢你们~
展开
收起
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
基于通义系列大模型和开源大模型的一站式大模型服务平台，提供「生成式大模型的全流程应用工具」和「企业大模型的全链路训练工具」。为大模型，也为小应用。 阿里云百炼官网网址：https://www.aliyun.com/product/bailian
相关文章
热门讨论
热门文章
展开全部
展开全部
还有其他疑问?
咨询AI助理