ReconVLAを超えて：アノテーションなしの言語アテンションマスク再構成によるビジュアルグラウンディング

最近発表された論文「ReconVLA」は、この問題の解決を試みた。私はこの論文を注意深く読み、その前提を徹底的に検証し、実装し拡張することの意味について深く考えた。その結果、ある点では感銘を受け、別の点では本当に困惑させられた。