小鹏再推GroundAnything:扩散式并行解码,自推测加速4.51倍

XPENG-AI · hf · 2026-10-13

同一团队(小鹏AI联合多所高校)发布的第二个 grounding 基础模型 GroundAnything,主打把并行解码与精准定位兼得:

思路:将 grounding 视为"视觉证据抽取",空间预测天然无需从左到右的因果顺序,因此改用双向扩散解码,分块去噪让空间假设并行生成、迭代精炼。
训练:从 AR 模型转为扩散,联合 AR 与扩散目标,再加 SFT 与 GRPO 强化后训练。
成绩:GroundAnything-VLM(AR 变体)在 30 个基准上以 72.42% 取得同规模模型新 SOTA,与 GPT-6 Astra(71.35%)相当;熵引导解码版平均 61.75%,明显超过此前的快速 SOTA LocateAnything(53.32%)。
速度:可选的自推测(self-speculative)模式相对 AR 版加速 4.51 倍,COCO F1mIoU 仅下降 0.74 个百分点;吞吐最高达 223.79 TPS。
意义:面向延迟敏感的真实系统(机器人、驾驶、GUI)提供高效视觉 grounding。

「研究」频道最新