待验证50% 置信事实精确时间
文本条件点定位是视觉定位在点级粒度上的变体，要求模型输出目标对象的坐标点集合而非边界框，同时考察细粒度空间感知、字符分割与序列生成三方面能力。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
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。78% 相似待验证文本坐标路线（如给出时间戳或区域坐标）仅提供符号化位置标记，不携带视觉内容本身，模型知道该看哪里却未必真正看到什么。74% 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70% 相似待验证目标检测模型的输出通常包含三要素：标签、边界框和置信度分数；与图像分类的核心区别在于目标检测还需定位物体在图像中的具体位置。70% 相似待验证视觉 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。70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1114158API
curl https://kongchang.com/api/v1/knowledge/claims/1114158MCP
get_claim(id=1114158)