Jag：直接框预测的高效视觉定位方法

Xiuyuan Zhu 等作者发表论文提出 Jag，一种面向视觉定位的直接连续框预测方法。它通过轻量回归头读取最后一个有效输入 token 的状态，一次性预测四个框坐标，无需坐标生成或文本解析。 论文称，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。

AI 根据报道生成 · 56 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。