先分割后回答：面向多模态大模型视觉推理的像素级定位

多模态大语言模型（MLLM）已从静态感知发展为交错的视觉 - 语言推理。针对推理中关注区域细化的基本操作，本文提出“先分割后回答”（SegAnswer）方法，将传统的边界框缩放升级为像素级分割掩码。该方法利用细粒度掩码隔离目标区域，有效过滤背景噪声与干扰物体，使视觉输入更精准。此外，分割后的离散图像块与 MLLM 基于位置嵌入的视觉令牌结构更契合。实验表明，SegAnswer 在高分辨率感知、通用感知及幻觉抑制等多个基准测试中均取得一致提升，并展现出可靠的像素级定位能力。