跳到正文
arXiv · 机器人与计算机视觉· 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·· 2026-10-19AI 评分75

GroundAnything:以闪光速度调和并行解码与精准视觉定位

GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed

AI 导读

GroundAnything 是一个 40 亿参数的视觉定位基础模型,通过块级去噪实现并行解码,解决了自回归生成带来的延迟问题。该模型在公共数据集和专用引擎上进行预训练,结合自回归到扩散的转换及强化学习后训练。

来源:arXiv · 机器人与计算机视觉 · arxiv.org