large-scale-dataset

TouchThinker 引入了百万量级的触觉推理数据集和基准，利用动作感知表示实现高效推理，将触觉常识推理扩展到开放世界场景。

介绍了MMIOC-1M，一个用于工业缺陷检测的大规模多模态基准，并提出了RTVPNet，一种精细的文本-视觉提示网络，实现了最先进的性能。

LocateAnything 提出并行框解码用于统一视觉定位与目标检测，将几何元素解码为原子单元，以提高吞吐量和定位精度，并得到包含1.38亿样本的大规模数据集的支持。