Migician é um modelo de linguagem grande multimodal desenvolvido pelo Laboratório de Processamento de Linguagem Natural da Universidade Tsinghua, focado em tarefas de localização de imagens múltiplas. O modelo, através da introdução de uma estrutura de treinamento inovadora e do conjunto de dados em larga escala MGrounding-630k, melhorou significativamente a capacidade de localização precisa em cenários com múltiplas imagens. Ele não apenas supera os modelos de linguagem grandes multimodais existentes, mas também excede em desempenho modelos maiores de 70B. As principais vantagens do Migician residem em sua capacidade de lidar com tarefas complexas de imagens múltiplas e fornecer instruções de localização de forma livre, o que lhe confere um importante potencial de aplicação no campo da compreensão de imagens múltiplas. O modelo está atualmente disponível em código aberto no Hugging Face para uso por pesquisadores e desenvolvedores.