XPENG AI 연구진은 이미지 속 사물과 위치, 공간 관계를 예측하는 40억 매개변수 시각적 위치 파악 모델 GroundAnything를 공개했습니다. 연구진은 위치 파악을 이미지와 질문이 함께 이끄는 시각적 근거 추출로 규정하고, 공간 예측을 왼쪽에서 오른쪽으로 고정된 순서대로 생성하는 방식과 구분했습니다. 확산 방식은 여러 공간 가설을 병렬로 만들고 반복적인 노이즈 제거를 통해 다듬습니다.

모델은 블록 단위 노이즈 제거를 적용하고, 공개 데이터셋과 전용 데이터 엔진을 활용한 사전 학습, 공동 목적 함수를 통한 자기회귀 디코딩에서 확산 방식으로의 직접 전환, 지도 미세 조정, GRPO 기반 강화학습 후처리를 결합합니다. 30개 위치 파악 벤치마크에서 자기회귀 방식의 GroundAnything-VLM은 72.42%를 기록했습니다. 비슷한 규모 모델인 GPT-6 Astra의 71.35%보다 높았습니다. 엔트로피 기반 디코딩에서는 GroundAnything가 평균 61.75%를 기록해, 같은 규모에서 빠른 MTP 기반 LocateAnything의 53.32%를 웃돌았습니다.

연구진은 선택형 자기 추측 디코딩 방식도 시험했습니다. 이 방식은 자기회귀 방식보다 4.51배 빨랐으며, COCO F1m IoU는 0.74%포인트 하락했습니다. 연구진은 점진적 추론 최적화로 병렬 디코딩을 실용화하고 지연시간에 민감한 실제 시스템에서 효율적인 시각적 위치 파악을 지원한다고 밝혔습니다. 논문은 9월 30일 발표됐고, 10월 13일 Hugging Face Papers에 제출됐습니다. 등록 정보에는 제출자로 Qize Yu, 소속 기관으로 XPENG AI가 기재됐습니다.

XPENG AI 연구진은 이미지 속 사물과 위치, 공간 관계를 예측하는 40억 매개변수 시각적 위치 파악 모델 GroundAnything를 공개했습니다. 연구진은 위치 파악을 이미지와 질문이 함께 이끄는 시각적 근거 추출로 규정하고, 공간 예측을 왼쪽에서 오른쪽으로 고정된 순서대로 생성하는 방식과 구분했습니다. 확산 방식은 여러 공간 가설을 병렬로 만들고 반복적인 노이즈 제거를 통해 다듬습니다.

모델은 블록 단위 노이즈 제거를 적용하고, 공개 데이터셋과 전용 데이터 엔진을 활용한 사전 학습, 공동 목적 함수를 통한 자기회귀 디코딩에서 확산 방식으로의 직접 전환, 지도 미세 조정, GRPO 기반 강화학습 후처리를 결합합니다. 30개 위치 파악 벤치마크에서 자기회귀 방식의 GroundAnything-VLM은 72.42%를 기록했습니다. 비슷한 규모 모델인 GPT-6 Astra의 71.35%보다 높았습니다. 엔트로피 기반 디코딩에서는 GroundAnything가 평균 61.75%를 기록해, 같은 규모에서 빠른 MTP 기반 LocateAnything의 53.32%를 웃돌았습니다.

연구진은 선택형 자기 추측 디코딩 방식도 시험했습니다. 이 방식은 자기회귀 방식보다 4.51배 빨랐으며, COCO F1m IoU는 0.74%포인트 하락했습니다. 연구진은 점진적 추론 최적화로 병렬 디코딩을 실용화하고 지연시간에 민감한 실제 시스템에서 효율적인 시각적 위치 파악을 지원한다고 밝혔습니다. 논문은 9월 30일 발표됐고, 10월 13일 Hugging Face Papers에 제출됐습니다. 등록 정보에는 제출자로 Qize Yu, 소속 기관으로 XPENG AI가 기재됐습니다.