GroundAnything：4B 参数视觉定位模型用块式去噪实现并行解码

作者：Qize Yu、Lianrui Fan、Bowen Ping、Xini Ding、Zetian Song、Junbo Niu、Kaixuan Wang、Tianxing Chen、Yue Chen、Minghua He、Yuran Wang、Jie Huang、Haojun Zhang、Min Chen、Hao Li、Wenxuan Song、Ruihai Wu、Xianming Liu、Shilong Liu、Shuchang Zhou、Ping Luo、Shiyu Huang

查看 PDF HTML（实验性）

摘要：自回归（AR）定位模型将空间预测序列化，引入了顺序延迟，并对输出 token 施加了因果顺序。我们将定位视为视觉证据提取：物体、位置和空间关系由图像与查询共同约束，但它们的依赖关系并不意味着存在内在的从左到右的生成顺序。这一区别使双向扩散成为自然的选择，允许空间假设并行涌现，并通过迭代去噪共同细化。我们提出 GroundAnything，一个 4B 参数的定位基础模型，通过分块去噪将快速并行解码与精确定位相协调。训练结合了来自公开数据集和专用数据引擎的定位预训练、带联合 AR 与扩散目标的直接 AR 到扩散转换、监督微调，以及基于 GRPO 的强化学习后训练。在 30 个定位基准上，我们的自回归变体 GroundAnything-VLM 以 72.42% 在同等规模模型中建立了新的总体最优水平，与 GPT-6 Astra（71.35%）保持竞争力。借助熵引导解码，GroundAnything 也超越了该规模下的先前最优水平，平均达到 61.75%，而基于 MTP 的快速 LocateAnything 模型为 53.32%。我们进一步探索了解码策略，表明可选的自推测模式相比 AR 对应模型实现了 $4.51\times$ 的加速，COCO F1mIoU 下降 0.74 个百分点。基础设施实验表明，渐进式推理优化将并行解码转化为实际加速。这些支持了延迟敏感的真实世界系统中的高效视觉定位。

评论：	61 页，包括补充材料。项目页面：this https URL 代码：[this https URL](this https URL) 模型：this https URL、this https URL
主题：	计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）；机器人学（cs.RO）
ACM 分类：	I.2.10; I.2.6; I.2.9
引用为：	arXiv:2609.39600 [cs.CV]
	（或本版本的 arXiv:2609.39600v2 [cs.CV]）
	https://doi.org/10.48550/arXiv.2609.39600 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Qize Yu [查看邮箱]
[v1] 2026年9月30日星期三 12:20:51 UTC（18,482 KB）
[v2] 2026年10月16日星期五 12:38:54 UTC（18,482 KB）