论文页面 - GroundingPI：面向物理智能、基于视觉原语的接地基础模型

来源：https://huggingface.co/papers/2609.39601 发布于 9 月 30 日

#2 当日最佳论文 (https://huggingface.co/papers/date/2026-10-13) 作者：（列表过长，略）

摘要

精准的 grounding 至关重要。它需要明确指定哪个物体是目标、目标位于何处——即使在杂乱环境中或针对微小物体——并且必须足够快以支持闭环控制。然而，视觉-语言-动作（VLA）模型和世界-动作模型（WAMs）的感知能力依赖于通用视觉-语言和视频生成骨干网络，而这些网络在上述场景中仍然表现不佳。我们提出了 GroundingPI，一个 4B 参数的 grounding 基础模型，它将点和框以共享词表中的量化坐标形式生成。训练过程结合了多模态与空间预训练、监督微调，以及基于 GRPO 的强化学习，使用来自公开数据集和专用数据引擎的监督信号。在涵盖 11 项感知能力的 34 个 grounding 基准上，与 44 个基线模型对比，GroundingPI 达到了新的最先进水平，平均得分 73.68%，超过规模更大的 GPT-6Astra（71.54%）。作为下游视觉骨干网络，GroundingPI 提升了机器人操作和自动驾驶的性能。在 RoboTwin2.0 上，GroundingPI 在所有四个分布外（OOD）设置中均超越了我们评估的每一个主流骨干网络，相比最强骨干最高提升 24.8%。在 RoboCasa-GR1 上，GroundingPI 仅用 50% 的演示数据训练，就超越了使用 75% 演示数据训练的基线。在 nuScenes 上，作为视觉骨干网络使用时，GroundingPI 达到了 0.296 米的平均开环 L2 误差。我们系统地分析了 GroundingPI 预训练的规模和数据组成。随着预训练规模的扩大，下游的自动驾驶和机器人操作性能均得到提升。对这 11 项感知能力的数据配方分析表明，密集 grounding 对两者均有显著增益，而 OCR 作为感知学习催化剂具有潜力。这些结果支持将 grounding 作为感知基础，并认为专用的感知预训练是物理智能基础模型的一个有前景的方向。

查看 arXiv 页面 (https://arxiv.org/abs/2609.39601) 查看 PDF (https://arxiv.org/pdf/2609.39601) 项目页面 (https://groundingpi.github.io/) GitHub19 (https://github.com/groundingpi/GroundingPI) 加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.39601)

在你的 agent 中获取此论文：

hf papers read 2609\.39601

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

引用此论文的模型1

GroundingPI/GroundingPI Image-Text-to-Text• 5B• 9 天前更新 • 211 • 9 (https://huggingface.co/GroundingPI/GroundingPI)

引用此论文的数据集0

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2609.39601 以从本页面链接。

引用此论文的 Spaces3

包含此论文的收藏0

无收藏包含此论文

将此论文加入 收藏 (https://huggingface.co/new-collection) 以从本页面链接。