Бенчмарк визуального граундинга для MLLM

Что внутри

GroundingME — бенчмарк для zero-shot object detection и визуального граундинга. Он содержит изображения и текстовые описания; объём — от 1 до 10 тыс. примеров. По карточке, набор оценивает способность мультимодальных LLM локализовать объекты по описанию на нескольких измерениях. Материалы представлены как работа CVPR 2026.

Что можно сделать

• Проверка MLLM на zero-shot object detection
• Оценка визуального граундинга по текстовым описаниям
• Сравнение мультимодальных моделей на бенчмарке

Как загрузить

from datasets import load_dataset

ds = load_dataset("lirang04/GroundingME")