多模態大模型（MLLMs）雖然在圖像理解、視頻分析上表現出色，但多停留在整體場景級理解。
而場景級理解 ≠ 視覺理解的終點，現實任務（如自動駕駛、機器人、醫療影像、視頻分析）需要的是細粒度、對象級（object-level）詳細理解。
然而，當下的研究工作，如英偉達的Describe Anything Model (DAM)局限于單個物體的描述，難以深入理解多對象屬性、交互關系及其時序演變，且犧牲了模型本身的通用理解能力。
針對這一問題，浙江大學、達摩院、香港理工大學聯合提出了一種創新的解決方案PixelRefer：一個統一的時空像素級區域級理解框架，可實現任意粒度下的精細視覺指代與推理，在多項像素級細粒度理解任務取得領先性能表現。和DAM-3B相比，輕量版的2B模型推理時間加快了4倍，顯存占用減半，且訓練數據量大大少于已有方法。
PixelRefer能夠對任意目標實現準確語義理解以及時空物體區域理解。
