GroundAnything-VLM

GroundAnything模型通过并行解码实现最先进的视觉定位

研究人员推出GroundAnything，一个拥有40亿参数的、用于精确视觉定位的基础模型。该模型采用分块去噪（blockwise denoising）的并行解码方法，与传统的自回归方法形成对比，从而实现更快的处理速度。GroundAnything在30个定位基准测试中取得了最先进的性能，超越了同等规模的模型，并与GPT-6 Astra等更大模型展现出有竞争力的结果。该模型还通过优化的解码策略实现了显著的速度提升，使其适用于实时应用。