PaDT

把图像切成 token，一个模型搞定分割、检测、姿态估计

PaDT 是一个面向多模态大语言模型（MLLM）的统一视觉任务框架，其核心思想是将图像分割为可解码的视觉 token（Patch-as-Decodable-Token），从而让模型能够同时处理多种视觉任务，如分割、检测、姿态估计等。该项目解决了传统 MLLM 在视觉任务上需要特定任务头或复杂适配器的问题，通过将视觉信息转化为模型可直接解码的 token，实现了任务间的统一建模。其核心能力包括：支持多种视觉任务的联合训练与推理、灵活的 token 解码机制、以及基于 ICLR 2026 论文的官方实现。项目代码基于 Python，处于早期开发阶段（164 星标），但提供了清晰的架构和实验配置，适合研究者和开发者探索多模态统一模型的新范式。