论文指出，多模态大模型在多轮视觉推理中常因定位不准而反复裁剪、延长轨迹。PixelEyes将“看什么”的决策交给推理器，将“在哪里”的定位交给专用指代表达分割模型，并结合语义区域广度优先搜索。作者构建PixelEyes-6K数据集和无提示定位基准Pinpoint-Bench，以区分定位与推理失败；代码和模型已开源。
最近 24 小时暂无可用热度快照。