GroundingPI Skywalker0410 commited on
Commit
bce44c7
·
1 Parent(s): eb13709

Fix Chinese emphasis rendering in the model overview (#12)

Browse files

- Fix Chinese emphasis rendering in the model overview (64aa66c726bf57536033f048a514ded82a9df4ab)


Co-authored-by: Qize Yu <Skywalker0410@users.noreply.huggingface.co>

Files changed (2) hide show
  1. README.md +1 -1
  2. checksums.sha256 +1 -1
README.md CHANGED
@@ -354,7 +354,7 @@ Grounding predictions can miss small or occluded objects, repeat instances, or p
354
 
355
  自回归(AR)视觉定位模型将空间预测串行化,带来顺序生成的延迟,并为输出 token 施加因果顺序。我们将视觉定位视为视觉证据提取:物体、位置和空间关系共同受到图像与查询的约束,但它们之间的依赖关系并不意味着生成过程必须从左到右进行。这一区别使双向扩散成为自然的选择,让空间假设能够并行产生,并通过迭代去噪共同细化。
356
 
357
- 我们提出 **GroundAnything**,一个拥有 4B 参数的视觉定位基础模型,通过分块去噪兼顾快速并行解码与精确定位。在 30 个视觉定位基准上,自回归版本 **GroundAnything-VLM** 以 **72.42%** 的综合表现刷新了同等规模模型的最佳水平,并与 GPT-6 Astra(**71.35%**)保持竞争力。采用**熵引导解码**的 GroundAnything 同样超越了这一规模下此前的最佳水平,平均达到 **61.75%**,高于基于 MTP 的快速模型 LocateAnything 的 **53.32%**。
358
 
359
  在论文报告的运行配置下,可选的**自推测模式**相较自回归版本实现了 **4.51× 加速**,同时 **COCO F1mIoU 下降 0.74 个百分点**。基础设施实验表明,逐步优化推理实现能够将并行解码转化为实际加速,为对延迟敏感的实际系统提供高效的视觉定位能力。
360
 
 
354
 
355
  自回归(AR)视觉定位模型将空间预测串行化,带来顺序生成的延迟,并为输出 token 施加因果顺序。我们将视觉定位视为视觉证据提取:物体、位置和空间关系共同受到图像与查询的约束,但它们之间的依赖关系并不意味着生成过程必须从左到右进行。这一区别使双向扩散成为自然的选择,让空间假设能够并行产生,并通过迭代去噪共同细化。
356
 
357
+ 我们提出 <strong>GroundAnything</strong>,一个拥有 4B 参数的视觉定位基础模型,通过分块去噪兼顾快速并行解码与精确定位。在 30 个视觉定位基准上,自回归版本 <strong>GroundAnything-VLM</strong> 以 <strong>72.42%</strong> 的综合表现刷新了同等规模模型的最佳水平,并与 GPT-6 Astra(<strong>71.35%</strong>)保持竞争力。采用<strong>熵引导解码</strong>的 GroundAnything 同样超越了这一规模下此前的最佳水平,平均达到 <strong>61.75%</strong>,高于基于 MTP 的快速模型 LocateAnything 的 <strong>53.32%</strong>。
358
 
359
  在论文报告的运行配置下,可选的**自推测模式**相较自回归版本实现了 **4.51× 加速**,同时 **COCO F1mIoU 下降 0.74 个百分点**。基础设施实验表明,逐步优化推理实现能够将并行解码转化为实际加速,为对延迟敏感的实际系统提供高效的视觉定位能力。
360
 
checksums.sha256 CHANGED
@@ -24,5 +24,5 @@ cfc7749b96f63bd31c3c42b5c471bf756814053e847c10f3eb003417bc523d30 LICENSE-Apache
24
  cddaec9f528f9ebf5ac627850eefcb3f14ee55e168776a1b650f91353ce8293e assets/demo.mp4
25
  3c282238bb1598093c078e57dcc1db4b3ce8fb1f39db6c09ca90e0686f1043a2 assets/demo-poster.jpg
26
  e0f0bbfa420324807403cfffe5ce664a33675c4e569de71b82cac7fb3b750f3e assets/fig1-teaser.png
27
- 670e6ba79f9a063968e255c80c58883a9d326259558093252006b00cd11fe5b7 README.md
28
  5ef0abc7d34eca644c1cdac26dd9a3b9c0204f03137827c6475afa2648420304 assets/modelscope-logo.svg
 
24
  cddaec9f528f9ebf5ac627850eefcb3f14ee55e168776a1b650f91353ce8293e assets/demo.mp4
25
  3c282238bb1598093c078e57dcc1db4b3ce8fb1f39db6c09ca90e0686f1043a2 assets/demo-poster.jpg
26
  e0f0bbfa420324807403cfffe5ce664a33675c4e569de71b82cac7fb3b750f3e assets/fig1-teaser.png
27
+ 989680a3f197ead245642d692ec23c86d0fdccff842b1b1f830b3869d05c9f75 README.md
28
  5ef0abc7d34eca644c1cdac26dd9a3b9c0204f03137827c6475afa2648420304 assets/modelscope-logo.svg