GroundAnything：以并行解码实现高速精确定位

arXiv 论文提出 GroundAnything，一个 4B 参数的视觉定位基础模型，用分块去噪把并行解码与精确定位结合。其自回归版本 GroundAnything-VLM 在 30 个定位基准上均分 72.42%，接近 GPT-6 Astra 的 71.35%；启用熵引导解码后均分 61.75%，超过快速 MTP 模型 LocateAnything 的 53.32%。自推测模式相对自回归版本提速 4.51 倍，COCO F1mIoU 仅下降 0.74 个百分点。

此前自回归定位模型按从左到右顺序输出空间预测，带来串行延迟并强加因果顺序。该工作把定位视为视觉证据提取，用双向扩散并行生成和迭代精修空间假设，在同等规模下同时改善精度与速度，改变了定位模型精度与延迟的取舍方式。

物体、位置与空间关系由图像和查询共同约束，其依赖关系并不等于固定的从左到右生成顺序。因此作者采用分块去噪的双向扩散，让空间假设并行出现并联合精修。训练流程包括公开数据与专用数据引擎的定位预训练、带联合目标的自回归到扩散直接转换、监督微调以及基于 GRPO 的强化后训练。

对需要实时空间定位的产品，4B 规模意味着可在有限算力下部署；4.51 倍加速与不足 1 个百分点的精度损失，使高精度定位更易进入交互式场景。分块去噪和自推测解码可作为现有自回归定位或视觉语言流水线的替换与加速选项。

• 在视觉问答、图像编辑或机器人感知流水线中，用 GroundAnything 替换自回归定位模块，评估延迟与精度收益
• 对已有自回归定位模型尝试 AR-to-diffusion 转换与联合训练，降低重训成本
• 在高并发场景启用熵引导解码或自推测模式，按精度预算调节速度
• 基于 4B 规模模型探索端侧或单卡部署的定位类功能

• 论文的完整方法细节、数据引擎构成与消融结果尚未在证据中展开
• 30 个基准的具体名称、评测协议及与 GPT-6 Astra 的可比性未说明
• 4.51 倍加速与 0.74 个百分点精度损失是否在不同硬件和批量下稳定
• 代码、权重与许可证是否开放，以及实际部署的显存与吞吐数据