Jag：面向高效视觉定位的直接框预测方法

Jag 通过轻量回归头读取最后一个有效输入 token 状态，一次性预测四个框坐标，实现视觉定位的直接连续框预测，无需坐标生成或文本解析。几何监督联合适配语言主干、视觉合并器与回归头，在各项基准上稳定优于基座模型，组件消融显示联合适配显著优于仅训练回归头。相比现有专用定位模型，Jag 在保持竞争性精度的同时降低单次请求延迟与 GPU 显存占用。