论文页面 - GroundAnything：以闪电般的速度兼顾并行解码与精确视觉定位

来源：https://huggingface.co/papers/2609.39600 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

自回归(AR)定位模型将空间预测串行化，引入顺序执行延迟，并对输出词元施加因果顺序.我们将视觉定位视为视觉证据提取：物体、位置和空间关系共同受到图像与查询的约束，但它们之间的依赖关系并不意味着生成过程内在地需要从左到右进行.这一区别使双向扩散成为一种自然适配的方案，允许空间假设并行产生，并通过迭代去噪共同细化.我们提出GroundAnything，这是一个拥有40亿参数的视觉定位基础模型，通过分块去噪兼顾快速并行解码与精确定位.训练结合了基于公共数据集与专用数据引擎的视觉定位预训练、采用联合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个视觉定位基准上，我们的自回归变体GroundAnything-VLM以72.42%的成绩，在规模相近的模型中创下新的总体最佳水平，并保持了与GPT-6Astra(71.35%)相抗衡的表现.采用熵引导解码时，GroundAnything也超越了这一规模下此前的最佳水平，平均成绩达到61.75%，而基于MTP的快速模型LocateAnything为53.32%.我们进一步探索了解码策略，结果表明，可选的自推测模式相较于AR版本实现了4.51倍加速，而COCOF1mIoU仅下降0.74个百分点.基础设施实验表明，逐步进行的推理优化能够将并行解码转化为实际加速.这些成果支持在延迟敏感的现实系统中实现高效视觉定位.

查看arXiv页面 (https://arxiv.org/abs/2609.39600)查看PDF (https://arxiv.org/pdf/2609.39600)项目页面 (https://groundingpi.github.io/groundanything/)GitHub20 (https://github.com/groundingpi/GroundAnything)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2609.39600)

在你的智能体中获取这篇论文：

hf papers read 2609\.39600

没有最新版CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用这篇论文的模型2

GroundingPI/GroundAnything 图像与文本转文本• 50亿参数• 9天前更新 • 150 • 8 (https://huggingface.co/GroundingPI/GroundAnything)

GroundingPI/GroundAnything-VLM 图像与文本转文本• 50亿参数• 9天前更新 • 163 • 5 (https://huggingface.co/GroundingPI/GroundAnything-VLM)

引用这篇论文的数据集0

没有关联这篇论文的数据集

在数据集的README.md中引用arxiv.org/abs/2609.39600，即可从此页面链接到该数据集.

引用这篇论文的Spaces2

包含这篇论文的合集0

没有包含这篇论文的合集

将这篇论文添加到一个合集 (https://huggingface.co/new-collection)，即可从此页面链接到该合集.