每日论文推荐：字节提出视觉定位token来提升VLM模型的定位能力

1. 📌 元数据概览：

• 标题：论文的标题是 “Groma: Localized Visual Tokenization for Grounding Multimodal Large Language Models”，这表明论文可能讨论的是如何在多模态大型语言模型（MLLMs）中实现更精细的、局部化的视觉感知能力。
• 作者：作者是来自香港大学（The University of Hong Kong）和字节跳动公司（ByteDance Inc.）的研究人员。他们的背景可能涉及计算机视觉、自然语言处理和人工智能。
• 链接：论文的具体网址是 https://arxiv.org/pdf/2404.13013.pdf，这个链接指向了论文在arXiv上的预印本。
• 标签：论文的关键词或标签可能包括多模态大型语言模型（MLLMs）、视觉感知、区域化视觉标记（Localized Visual Tokenization）、视觉定位（Visual Grounding）等。