Jag模型通过直接框预测实现高效视觉定位与推理

发生了什么

据arXiv cs.CV 10月9日论文，Jag模型适配紧凑预训练多模态模型进行直接连续框预测。轻量级回归头读取最后有效输入令牌状态，同时预测四个框坐标。联合几何监督适应语言骨干、视觉合并器和回归头。在基准测试中，Jag在目标尺寸和表达组上持续提高接地精度，相比现有专用接地模型具有竞争性精度，且单次请求延迟和GPU内存使用更低。