GroundAnything开源4B视觉定位模型

发生了什么

据Hugging Face Papers报道，GroundAnything是一款开源4B参数扩散模型，通过并行解码实现比自回归基线快4倍的速度提升。该模型将视觉定位视为视觉证据提取，利用块去噪技术协调快速并行解码与精确定位。其自回归变体GroundAnything-VLM在30个基准测试中达到72.42%的整体SOTA，优于GPT-6 Astra的71.35%。代码和权重已开源。