arXiv cs.RO· 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·· 5 小时前
GroundAnything：以 Flash 速度实现并行解码与精准视觉定位的 4B 定位基础模型
GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed
AI 导读
GroundAnything 是一个 4B 参数的视觉定位基础模型，通过分块去噪把并行扩散解码与精准定位结合，在 30 个定位基准上，其自回归版本 GroundAnything-VLM 以 72.42% 取得同规模模型最佳总体成绩，接近 GPT-6 Astra 的 71.35%。
来源：arXiv cs.RO · arxiv.org