来源：数策智合

原文链接：https://mp\.weixin\.qq\.com/s/kEaqXJ5BGpqXjgd1mrT71Q?scene=1

⚡ ECCV 2026 的 LocateAnything 给出了一条更结构化的路线：把完整 bounding box 当成一个几何原子单元，一次并行解码。

? 论文：LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding ? 会议：ECCV 2026

? 我觉得最值得关注的 5 个点：

01｜? 并行的不是任意 Token，而是完整框

传统 VLM 会把 x1、y1、x2、y2 串行生成；通用 MTP 又可能跨越框边界切块。PBD 让并行块与 box 对齐，块内坐标共同建模。

02｜? 速度提升不是靠牺牲全部精度

LocateAnything-3B 在默认 Hybrid 模式下达到 12.7 BPS，超过 Qwen3-VL-4B 的 10 倍，并达到 Rex-Omni-3B 的 2.5 倍；LVIS 与 COCO 的 mean F1 也分别提升 3.8 和 1.8。

03｜?️ Hybrid Mode 很有工程感

模型默认并行生成；遇到格式异常或空间歧义，只丢弃出问题的块，用 NTP 局部重解码，再切回并行模式，不需要整段重来。

04｜? 密集场景更能体现优势

在 Dense200、VisDrone 以及木块、原木、算盘珠等高密度案例中，预测框更紧凑、分离更清晰。随着目标数增加，并行解码的吞吐优势进一步放大。

05｜?️ 数据规模同样关键

LocateAnything-Data 包含 12M 图像、138M 自然语言查询和 785M 标注框，覆盖检测、GUI、指代表达、OCR、Layout 与 Pointing 六类任务。

? 这篇论文最有启发性的地方，不是“同时猜更多 Token”，而是先找到任务真正的结构单元，再围绕它设计训练目标、注意力和回退策略。

? 你觉得这种 box-aligned block 思路，下一步最适合扩展到关键点、轨迹，还是 3D box？

#ECCV2026  #视觉语言模型  #多模态  #论文精读  #目标检测  #视觉定位  #GUIAgent

原文链接: https://www.leiphone.com/category/private/NgUdEaWCHhct0LsW.html