研究人员推出GroundAnything,一款专为视觉定位任务设计的新型40亿参数扩散模型。与串行化空间预测的传统自回归模型相比,该模型利用分块去噪技术实现了更快的并行解码。GroundAnything-VLM,一个自回归变体,在30个定位基准测试中创下了新的SOTA性能,超越了GPT-6 Astra和LocateAnything等模型。该模型还提供了显著的速度提升,其中一个变体在保持竞争性精度的同时,实现了比其自回归对应模型4.51倍的速度提升。 AI
影响 在视觉定位基准测试中创下新的SOTA,可能加速需要精确物体定位的实时应用。
排序理由 该条目描述了一篇介绍用于视觉定位的新型模型的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- GPT-6 Astra
- GroundAnything
- GroundAnything-VLM
- Grounding DINO
- Hugging Face
- LocateAnything
- Rex-Omni
- vLLM
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →