这是一个可提示且可交互的开放集物体检测模型，既可以接受文本提示，也可以接受视觉提示(在同一图片或跨多图片的盒子或点)作为物体检测的输入。它具备强大的零次学习物体检测能力，且对各种情景都非常实用，仅需一套权重。