GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed
Aggiunta all'archivio di AIChronos il (numero del 13 ottobre 2026 ricostruito)· fonte del · Qize Yu, Lianrui Fan, Bowen Ping, Xini Ding, Zetian Song, Junbo Niu (XPENG AI)
GroundAnything è un modello fondazionale da 4 miliardi di parametri che risolve il problema della latenza nei modelli autoregressivi (AR) per la localizzazione visiva adottando una strategia di decodifica parallela tramite denoising a blocchi. Il training combina pretraining su dataset pubblici, conversione diretta AR-to-diffusion con obiettivi congiunti e fine-tuning supervisionato, raggiungendo lo stato dell'arte tra i modelli della stessa dimensione (72.42% sui benchmark). L'introduzione di un modalità self-speculative permette una velocità 4.51 volte superiore rispetto all'avversario autoregressivo mantenendo prestazioni competitive.
- Sostituisce la generazione sequenziale causale con il bidirectional diffusion per estrarre ipotesi spaziali in parallelo senza vincoli di ordine left-to-right.
- Il modello GroundAnything-VLM supera LocateAnything (MTP-based) raggiungendo una media del 61.75% rispetto al 53.32% sui benchmark testati.
- L'ottimizzazione dell'inferenza tramite progressive inference optimizations traduce la decodifica parallela in speedup pratici per sistemi real-time.
- La strategia di training include GRPO-based reinforcement post-training e conversione diretta tra obiettivi AR e diffusion.
Perché conta. Per gli sviluppatori che costruiscono agenti o LLM locali, questo approccio riduce drasticamente la latenza dell'inferenza visiva senza sacrificare precisione, rendendo possibile l'integrazione di grounding rapido in pipeline sensibili al tempo.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.