标签
OBB-PBD 通过双角参数化，将并行框解码（Parallel Box Decoding）从水平边界框扩展到旋转边界框，并通过打乱对照实验和泄漏探针验证该设计，将航拍车辆视觉定位基准上的旋转 IoU 从 0.1253 提升至 0.303。
ACE-Brain-0.6 通过约150万条可验证视觉定位数据微调 Qwen3.5-9B，在七个公开定位基准中的四个上超越 GPT-6 Astra，展示了扩展多样化定位监督数据可显著提升开放多模态模型的空间感知与具身操作能力。
一条推文称赞 Meta 的 Muse Wonder 模型在图像中定位物体方面超越其他所有模型，标志着 Meta 在视觉定位领域的一次引人注目的回归。
介绍 Jag，一个 0.8B 视觉定位模型，通过单次前向传播直接预测边界框而非自回归生成坐标，在保持与 LocateAnything 相当精度的同时，速度提升 3.62 倍、峰值 GPU 显存降低 73.88%，并开源了模型权重、代码与在线演示。
该论文提出 OneSearch-VL，一个以视觉接地证据图（VGEG）为核心的统一多模态深度研究智能体，用于单图、多图和视频研究任务，并构建了 SFT/RL 数据集及细粒度评测基准，在多个图文与视频基准上显著超越 Qwen3-VL-8B。
该论文系统分析了视觉语言模型在结构化输出通道（点/边界框）上的安全对齐缺口，发现模型对以定位形式提出的有害请求的拒绝率比纯文本问答低 31-59 个百分点，并提出一种微调方法显著提升了定位形式的拒绝率。
GroundAnything 提出一个拥有 40 亿参数的视觉定位基础模型，通过块状去噪协调并行解码与精确定位，在 30 个视觉定位基准上取得同类模型的最新最佳性能（72.42%），并借助自投机解码实现 4.51 倍加速。
本文提出PIVOT，一个双层学习框架，通过自校准经验回放和视觉引导优势分配优化强化学习，以增强大型视觉语言模型中的视觉基础推理。
本文提出了一种使用单令牌分类和视觉基础监督的主动自我中心辅助方法，在ECCV 2026可穿戴人工智能挑战赛的大模型组中排名第一。
AffectOmni是一个基于GRPO训练的框架，用于多模态大型语言模型中的可验证情感推理，引入了People Focus和Temporal Order奖励，以增强以人为中心的证据选择和时间结构化推理，实验显示在7B规模基线上有所改进。
本文介绍了一个用于大型视觉语言模型（LVLMs）中交互式视觉定位的受控评估框架，表明当前LVLMs的表现低于人类基线，并在主动问题驱动定位方面存在困难。
VLX-Seek-1.5-10B 是 omlab 推出的开源 10B 视觉语言模型，专为无人机、机器人和监控等具身场景中的细粒度视觉定位而设计，采用区域引用定位而非坐标生成。
CURV 提出了一种课程学习框架，通过在多模态大语言模型中培养内在的视觉基础推理能力来增强图表问答，在真实世界基准上取得了显著改进。
本文介绍了基于证据的视频问答（E-VQA），这是一个新任务，要求模型同时输出语义答案和精确的时空证据，如跟踪对象分割掩码序列。作者创建了一个人工验证的基准数据集和一个可扩展的训练数据集，在基线方法上显示出显著改进。
GUICrafter提出了一种弱监督GUI智能体，利用海量未标注截图和两阶段课程学习框架，减少对昂贵人工标注的依赖，仅用UI-TARS系统0.1%的数据即达到了与之竞争的性能。
英伟达开源了视觉定位模型 LocateAnything-3B，能够在密集场景中精准检测并框出所有目标对象。
NVIDIA发布了LocateAnything，这是一个开源模型，通过同时预测所有坐标而非顺序预测，实现了约10倍的物体检测速度提升，在单块H100上达到12.7 FPS，并超越了320亿参数模型。
介绍 iVGR，一种强化学习框架，将视觉定位内化到多模态语言模型的文本推理中，在提升细粒度感知性能的同时，消除了推理过程中显式视觉基础的需求。
NVIDIA 推出了 LocateAnything，这是一个统一的生成式定位与检测框架，采用并行框解码（Parallel Box Decoding）来提升解码吞吐量和定位精度。该工作将在 CVPR 2026 上进行展示。
LocateAnything 提出并行框解码用于统一视觉定位与目标检测，将几何元素解码为原子单元，以提高吞吐量和定位精度，并得到包含1.38亿样本的大规模数据集的支持。