待验证50% 置信事实精确时间
视觉 grounding 指模型将自然语言中的指代表达与图像中具体像素区域对应起来的过程。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
Spatial-TRM：递归推理如何提升空间上下文预测精度44%
rss2026/10/16
涉及实体
相关事实
待验证动作目标定位（grounding）指将自然语言指令映射到具体视觉元素坐标的能力，是计算机操作智能体的核心瓶颈之一79% 相似待验证视觉grounding（视觉定位）指模型将语言描述精准对应到图像具体区域的能力，也被称为Referring Expression Comprehension78% 相似待验证视觉定位要求模型不仅能识别图像内容，还要输出物体的位置坐标。77% 相似待验证视觉定位在学术上通常分为几个层级：Referring Expression Comprehension（指代理解）要求模型根据一句话定位单个目标；Phrase Grounding（短语定位）需要把句子拆成多个短语并分别对应到图像区域；Dense Grounding（密集定位）则要求对图中尽可能多的物体逐一给出边界框和标签76% 相似待验证Grounding DINO通过跨模态融合模块将语言特征与视觉特征深度对齐，可根据任意文本描述定位图像中对应目标76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1068938API
curl https://kongchang.com/api/v1/knowledge/claims/1068938MCP
get_claim(id=1068938)