एप्पल और कोलंबिया विश्वविद्यालय के शोधकर्ताओं ने Ferret मल्टीमोडल भाषा मॉडल jointly विकसित किया है, जिसका उद्देश्य उन्नत छवि समझ और वर्णन प्राप्त करना है। Ferret मॉडल में अत्यधिक वैश्विक समझने की क्षमता है, जो स्वतंत्र पाठ और संदर्भित क्षेत्रों को संभाल सकता है, पारंपरिक मॉडलों की तुलना में बेहतर प्रदर्शन करता है। शोधकर्ताओं ने GRIT डेटा सेट बनाया है, जिसमें 1.1 मिलियन नमूने शामिल हैं, जो मॉडल को संदर्भित करने और स्थान निर्धारण कार्यों में मार्गदर्शन प्रदान करता है। Ferret-Bench मूल्यांकन से पता चला है कि Ferret का प्रदर्शन औसतन सबसे अच्छे MLLM मॉडलों की तुलना में 20.4% बेहतर है, और वस्तुओं की संख्या को कम करता है।