GroundAnything视觉定位模型论文发布

Qize Yu 等在 arXiv 发布论文，提出 40 亿参数的视觉定位基础模型 GroundAnything，用块状去噪把并行解码与精确目标定位结合，训练融合公开数据集预训练、自回归到扩散的直接转换、监督微调和基于 GRPO 的强化后训练。 论文称，其自回归变体 GroundAnything-VLM 在 30 个定位基准上以 72.42% 取得同规模模型的新整体最好成绩；可选的自推测模式相对自回归版本实现 4.51 倍加速，代价是 COCO F1mIoU 下降 0.74 个百分点；采用熵引导解码时，其平均成绩 61.75%，超过基于快速 MTP 的 LocateAnything 的 53.32%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。