提出GroundCount框架,通过将物体检测模型(如YOLO)的显式空间定位与计数结果以结构化提示方式注入视觉语言模型(VLM),缓解VLM在计数任务中的幻觉问题,在四个VLM上提升6.2–7.5个百分点准确率,并减少强模型推理时间。
机构:NYU
来源:arXiv 2603.10978 | AI4Papers 论文推荐平台