XPENG AIの研究者は、画像内の物体、位置、空間的な関係を予測する40億パラメータの視覚的グラウンディングモデル「GroundAnything」を発表しました。研究チームは、画像と質問の両方を手がかりに視覚的な証拠を取り出す方法としてグラウンディングを捉え、空間情報を左から右へ順番に生成する方式とは異なると説明しています。拡散方式では空間的な候補を並列に生成し、ノイズ除去を繰り返して精緻化します。

モデルはブロック単位のノイズ除去を組み合わせ、公開データセットと専用データエンジンによる事前学習、共同目的関数を用いた自己回帰デコーディングから拡散方式への直接変換、教師あり微調整、GRPOに基づく強化学習後学習を行います。30のグラウンディング・ベンチマークでは、自己回帰型のGroundAnything-VLMが72.42％を記録しました。同程度の規模のモデルでは、GPT-6 Astraの71.35％を上回りました。エントロピー誘導型デコーディングでの平均スコアは61.75％で、同規模の高速なMTPベースのLocateAnythingが報告した53.32％を上回っています。

研究者らは、任意で使える自己推測型デコーディングも検証しました。この方式は自己回帰型と比べて4.51倍速く、COCO F1m IoUの低下は0.74ポイントでした。段階的な推論の最適化により並列デコーディングが実用的になり、遅延時間が重視される実環境のシステムで効率的な視覚的グラウンディングを支えられると研究者らは述べています。論文は9月30日に公開され、10月13日にHugging Face Papersへ投稿されました。同サイトの掲載情報では、投稿者はQize Yu、所属組織はXPENG AIとされています。

XPENG AIの研究者は、画像内の物体、位置、空間的な関係を予測する40億パラメータの視覚的グラウンディングモデル「GroundAnything」を発表しました。研究チームは、画像と質問の両方を手がかりに視覚的な証拠を取り出す方法としてグラウンディングを捉え、空間情報を左から右へ順番に生成する方式とは異なると説明しています。拡散方式では空間的な候補を並列に生成し、ノイズ除去を繰り返して精緻化します。

モデルはブロック単位のノイズ除去を組み合わせ、公開データセットと専用データエンジンによる事前学習、共同目的関数を用いた自己回帰デコーディングから拡散方式への直接変換、教師あり微調整、GRPOに基づく強化学習後学習を行います。30のグラウンディング・ベンチマークでは、自己回帰型のGroundAnything-VLMが72.42％を記録しました。同程度の規模のモデルでは、GPT-6 Astraの71.35％を上回りました。エントロピー誘導型デコーディングでの平均スコアは61.75％で、同規模の高速なMTPベースのLocateAnythingが報告した53.32％を上回っています。

研究者らは、任意で使える自己推測型デコーディングも検証しました。この方式は自己回帰型と比べて4.51倍速く、COCO F1m IoUの低下は0.74ポイントでした。段階的な推論の最適化により並列デコーディングが実用的になり、遅延時間が重視される実環境のシステムで効率的な視覚的グラウンディングを支えられると研究者らは述べています。論文は9月30日に公開され、10月13日にHugging Face Papersへ投稿されました。同サイトの掲載情報では、投稿者はQize Yu、所属組織はXPENG AIとされています。