🎯 情报来源：量子位
华中科技大学与金山办公团队联合研发的多模态大模型LIRA在ICCV 2025上获得录用，该模型通过语义增强特征提取器（SEFE）和交错局部视觉耦合（ILVC）两大创新模块，同时实现图像分割与理解任务的双重突破。
实验数据显示，LIRA在分割任务上较OMG-LLaVA平均提升8.5%，在MMBench理解任务上提升33.2%。其7B参数版本通过ILVC模块将幻觉率降低4.8%，且联合训练时性能仅下降0.2%，显著优于同类方案15%的性能衰减。
💡 核心要点
- 双任务突破：首个在分割（8.5%↑）和理解（33.2%↑）任务均达SOTA的多模态模型
- 技术创新：SEFE模块融合语义与像素特征，1.8B模型分割性能提升3.8%
- 幻觉控制：ILVC机制使7B模型幻觉率降低4.8%，联合训练仅损失0.2%性能
- 语义解析：首次证实分割token蕴含物体方位（left/right）等丰富语义信息
- 架构优势：基于InternLM2.5-7B骨干网络，支持448×448局部特征精细化处理
📌 情报分析
技术价值：极高
• SEFE+ILVC双模块设计系统性解决属性理解与幻觉问题，实验数据验证模块有效性（如3.8%分割提升）
• 首次揭示分割token的方位语义编码能力，为多模态表征研究提供新方向
商业价值：高
• 金山办公参与预示文档图像处理场景落地可能，细粒度分割能力适合医疗/自动驾驶领域
• 联合训练仅0.2%性能损失展现工程化潜力，优于竞品15%的衰减幅度
趋势预测：高
• 像素级任务正成为多模态竞争新赛道，LIRA的embedding-as-mask优化路径或成行业标准
• 论文披露的token语义分析方法论将推动更多视觉-语言关联研究