arXiv论文GroundingPI更新第二版：40亿参数专补机器人「看清楚目标在哪」
作者：林序
arXiv 论文 GroundingPI 在 10 月 16 日更新到第二版，提出一个 40 亿参数的视觉定位基础模型。作者自报在 34 项定位基准上平均得分 73.68%，并把该模型作为视觉骨干用于机械臂操作和自动驾驶。这是首发论文的修订，不是刚出现的新成果。
arXiv 上一项名为 GroundingPI 的论文在 10 月 16 日更新到第二版。它想解决的问题很具体：让机器人先看清楚目标在哪 。
grounding 常译作「视觉定位」，指的是让 AI 把一句话和画面里的具体位置对上号。你说「那个杯子」，它要指出是哪一个、在哪里；杂物多、目标小时也得找准，还得快到能跟上机器人边看边动的闭环控制 。
作者的判断是，现有视觉-语言-动作模型大多直接借用通用视觉模型或视频生成模型来感知，而这类细致任务做不好。GroundingPI 有 40 亿参数，把点和框的坐标当作词表里的「词」直接生成，训练分三步：多模态与空间预训练、监督微调，再加强化学习 。
按论文自报，它在 34 项定位基准、44 个对照模型上平均 73.68%，高于文中对比的一个更大模型（71.54%）。拿它当视觉骨干，机械臂操作基准上最高相对领先 24.8%，自动驾驶数据集 nuScenes 上的开环 L2 误差为 0.296 米 。
需要分清的是，这是修订版，不是刚出的新成果。首版 9 月 30 日提交，第二版 10 月 16 日上线，摘要页没有说明两版之间改了什么，也看不到作者所属机构 。摘要页已附项目页、代码仓库和模型下载链接，但是否能跑通、结果能否被独立复现，目前都还没有验证 。
转载说明
本文根据以下公开资料整理，原文及配图出处见下方。
0
评论 0
还没有评论，来抢沙发。