Thinking-with-Visual-Primitives

这是一个研究视觉基础单元（Visual Primitives）驱动的空间推理方法的存档项目，旨在弥合多模态大模型中自然语言指代与密集空间布局之间的‘参考鸿沟’。核心功能包括基于视觉基元的结构化空间建模、细粒度视觉-语言对齐与几何感知推理，技术特点涵盖多模态 grounding、空间关系建模及高分辨率视觉理解能力。适用于需要精确空间指代与结构化视觉推理的场景，如机器人视觉导航、工业质检中的部件定位、UI界面理解及具身智能任务。