你有没有试过这样的体验：跟朋友聊天时，你想让他看看照片里的某个东西，但又不知道怎么准确描述它的位置？你可能会说"就是那个红色的杯子"，朋友却问"哪个红色杯子？"这种沟通障碍在人工智能领域同样存在，而且更加复杂。
由南洋理工大学、腾讯微信视觉团队、新加坡科技研究局等多家知名机构组成的国际研究团队，最近在这个问题上取得了重要突破。他们的研究成果发表在了计算机视觉领域的顶级学术平台上，论文题目是"PATCH-AS-DECODABLE-TOKEN: TOWARDS UNIFIED MULTI-MODAL VISION TASKS IN MLLMS"（arXiv:2510.01954v1），感兴趣的读者可以通过这个编号查阅完整论文。
这项研究解决的核心问题可以用一个简单场景来理解：当你问AI"这张照片里有什么？"时，传统AI只能告诉你"有一只猫、一个杯子、一张桌子"，但它无法像人一样直接"指出"这些东西的具体位置。更糟糕的是，当你要求AI找到"桌子上那个蓝色杯子"时，它往往会给出一串看起来很专业但实际上并不准确的数字坐标，比如"[245, 156, 378, 298]"，普通人根本无法理解这些数字代表什么。
<
