> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# Open Vision Banana：用 RGB 图像统一视觉感知任务
- URL: https://binnn.top/open-vision-banana-recipe/
- Published: 2026-11-15T23:32:08.000Z
- Updated: 2026-11-16T01:05:14.000Z
- Description: 这项研究将图像生成器改造成感知模型，公开训练方案，并分析颜色编码、提示词和多次生成投票如何影响预测。
- Author: Sunbin 编辑部
- Tags: AI 最新论文进展, 视觉与多模态, #sunbin-auto, #sunbin-newsroom

论文阅读笔记 · arxiv.org · 原文日期 2026-11-11

## 生成图像，再解码为预测

Open Vision Banana（OVB）将视觉感知写成条件图像生成：输入照片与任务指令，生成 RGB 图像，再由确定性的任务读出过程转换为预测，不另设任务专用输出头。因此，标注如何编码为图像、生成结果如何解码，都是这套方法的组成部分。

## 零样本指排除评测数据集

论文微调 FLUX.2 Klein 的 4B 与 9B 模型，分别建立零样本和非零样本版本。这里的“零样本”只指评测数据集未参与训练，相关任务仍在训练中出现；非零样本版本则加入部分评测数据集的训练划分，并只在有效像素上计算几何损失。

## 更换颜色图例后多数投票

作者提出“图例集成”：为同一张图像抽取多套随机的类别与颜色对应表，分别生成分割图，再以多数投票融合结果。它无需重新训练，但需要多次生成。论文将主要收益归因于纠正颜色与类别的错误绑定，说明输出颜色的稳定性会影响最终分割结果。

## 设计选择不能简单叠加

作者的实验指出，调色板和提示措辞会明显影响准确率，一项任务的监督也可能帮助或损害其他任务。单项实验中有效的改动，组合后未必仍有效。论文还记录了一类失败：模型找对了区域，却因涂错颜色或违反输出约定而得分较低。

原始标题：Open Vision Banana : A Fully Open Recipe for Generative Visual Perception  
[来源：arxiv.org](https://arxiv.org/abs/2611.15844?ref=binnn.top)