企业官网建设流程全解析

论文《GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed》由小鹏、北大、港大、普林斯顿等机构联合发布，是一套4B参数统一视觉定位（Visual Grounding）基础模型，项目已开源权重、代码。

视觉定位：输入图片+文字指令，模型输出目标物体的框、坐标点、文字，完成目标检测、指代定位、OCR识别、GUI界面点击、文档布局解析等任务。

一、核心痛点

传统视觉大模型大多采用自回归AR串行解码：按顺序一个token接一个token输出坐标和文本。

• 缺点：物体多、输出内容长的时候，推理速度很慢；
• 现有加速方案MTP多token预测，并行生成质量有限，密集场景容易出错。
• 扩散模型擅长并行生成，但过去大多只做单一任务，缺少能覆盖全套视觉定位任务的通用基础模型。
  
  核心思想：把视觉定位看作「视觉证据提取」。图片里物体、位置、空间关系不需要严格从左到右的生成顺序，可以双向扩散并行预测。

模型提供两个版本：

1. GroundAnything‑VLM：纯自回归AR版本，精度上限更高；
2. GroundAnything：双向扩散DLM并行解码版本，追求速度与精度平衡，支持并行块去噪。

二、关键技术方案

1. 模型架构
   基于MoonViT‑V2视觉编码器 + Qwen3‑4B语言解码器；设计统一词汇表，包含1000个量化坐标token，用一套输出格式统一：框、点、OCR文本、GUI点击指令。

2. 训练四阶段流水线
   

① 基础多模态预训练；② 坐标对齐SFT监督微调；③AR‑to‑Diffusion转换：从已经训好的自回归模型直接转扩散模型，同时用AR损失+扩散损失联合训练，不需要从头训扩散；④ GRPO强化学习后训练，针对框、点、OCR设计专属奖励函数，优化定位精度。

配套自研数据引擎，融合多源标注，校验标注有效性，迭代生成高质量训练数据。

4. 并行推理解码策略

• 熵引导解码：评估token不确定性，低熵高置信度直接提交输出，迭代去噪；
• 自投机解码Self‑speculative：扩散做草稿并行生成，AR做校验修正；相比原版AR速度提升4.51倍，仅损失0.74个点F1mIoU指标，是论文主打高速模式；
• 工程层面：SGLang、CUDA Graph、FP8量化，进一步压榨推理速度。

5. 对比基线：和MTP多token预测对比，双向扩散生成的草稿提案质量更高，有效降低每个有效token的推理耗时；但不是所有场景都占优，短任务场景MTP也有优势。

三、实验评测结果

测试覆盖30套基准数据集，44个对比基线，覆盖11大类任务：通用检测、长尾物体、密集小目标、指代目标检测、物体点定位、机器人空间指向、GUI界面定位、文档OCR、文档布局、视觉提示匹配。

1. AR版本 GroundAnything‑VLM：同等4B级别模型中综合SOTA，综合得分72.42%，性能可以和GPT‑6 Astra掰手腕。
2. 扩散并行版GroundAnything：熵引导纯扩散解码平均61.75%，超过同规模以往AR模型基线；GUI任务表现突出，但在OCR、文档布局任务上相比AR版本有明显性能差距。
3. 优势场景：密集拥挤画面、GUI界面点击、指代定位；短板：部分OCR、文档布局、极小物体定位精度还有提升空间。
4. 输出效率：坐标序列化非常紧凑，COCO平均7.6个token描述一个框，对比旧方案SEED1.5‑VL的148.8 token，token数量大幅缩减，输出更长物体列表时代价增长更小。

四、潜在落地应用场景

• 机器人抓取 / 操作：自然语言指挥"拿那个红色的杯子"。
• AR / 标注工具：实时圈选、分割。
• 智能相册 / 审核：一句话检索"去年海边那张有狗的照片"。
• 自动驾驶感知：用指令快速定位特定目标。

五、主要局限

1. 扩散并行解码和AR版本存在性能鸿沟，尤其OCR、文档布局下降比较明显；
2. 微小物体的高精度边界定位依然是短板；
3. 主要针对图片静态定位，视频时序跟踪能力尚未验证；

六、结论

GroundAnything 证明了一件事：双向块掩码扩散，可以实现通用、多任务视觉定位，做到并行高速推理。4B 的小体量让它有实际部署价值，也探索了多种解码策略说明"并行解码要真正落地，还得靠推理侧的渐进优化"。

开源地址：
项目页：https://groundingpi.github.io/groundanything
代码：https://github.com/groundingpi/GroundAnything

论文与源码可自行获取：