首次引入视觉定位，实现细粒度多模态联合理解，已开源&demo可玩

西风发自凹非寺量子位公众号 QbitAI 字节大模型，BuboGPT 来了。支持文本、图像、音频三种模态，做到细粒度的多模态联合理解。答哪指哪，什么讲了什么没讲，一目了然：除了有“慧眼”，还有“聪耳”。人类都注意不到的细节 BuboGPT 能听到：前方高能！三模态联合理解，文字描述+图像