El nuevo modelo de IA de alta resolución Griffon v2 combina señales de texto y visuales, ofreciendo referencias de objetos flexibles. El equipo mejoró la capacidad de percepción multimodal mediante el uso de un proyector de submuestreo. El modelo sobresale en tareas de generación de expresiones de referencia, localización de frases y comprensión de expresiones de referencia, superando a los modelos expertos. Con una estructura de coreferencia visual-lingüística, muestra una superioridad en la detección de objetos y el conteo de objetos.