WeVisOne-VL: 물체를 찾는 좌표에서 머리카락의 투명도까지
텐센트 WeChat Vision의 WeVisOne-VL은 Qwen3-VL의 좌표·인스턴스 토큰과 9.6M 픽셀 디코더를 연결해 탐지·OCR·분할·매팅을 통합한다. 구조, 학습 과정과 평가 조건, 실제 공개 범위를 살펴본다.
Tag3 posts
#Visual Grounding
글 목록
GroundingPI: 로봇에게 행동보다 먼저 ‘어디’를 가르친다
GroundingPI는 점·박스를 공유 어휘로 생성하는 지각 기반 모델이다. 정밀한 위치 감독이 로봇 정책으로 전이되는 근거와, 시뮬레이션·오픈루프 평가 및 공개 모델의 한계를 구분한다.
LocateAnything는 박스를 토큰이 아니라 원자 단위로 디코딩한다
NVIDIA LocateAnything-3B는 시각 grounding과 detection에서 좌표를 토큰별로 순차 생성하던 병목을 Parallel Box Decoding으로 바꿔, 박스·포인트를 하나의 기하 단위로 병렬 예측하려는 공개 VLM rele...