视觉定位
AI Agent领域中模型将自然语言描述或指令映射到屏幕具体像素坐标或UI元素的能力，是桌面级Agent实现可靠自动化操作的核心技术基础
时间轴 (近 90 天)
对于机器人自动化移除打印件，还需要视觉定位、力控抓取和路径规划，以避免刮伤床面或损坏精细的夹爪手指。
具身场景下的目标接地需要在线、连续地进行，并受视角变化、遮挡和运动的影响，难度显著高于静态图像中的视觉定位。
密集定位（Dense Grounding）是视觉定位中最具挑战性的子任务之一。
视觉定位可应用于机器人操作、工业质检、UI自动化、文档理解、增强现实与电商等场景。
评测设置（如提示词格式、是否允许思维链、图像分辨率等）会显著影响视觉定位的精度。
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。
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
传统目标检测模型只识别预定义类别（如人、车、狗），而视觉定位接受自然语言查询，类别由文本动态指定，因此无需为每个新场景重新训练专用模型
全部知识事实 (8)
对于机器人自动化移除打印件，还需要视觉定位、力控抓取和路径规划，以避免刮伤床面或损坏精细的夹爪手指。
50%待验证具身场景下的目标接地需要在线、连续地进行，并受视角变化、遮挡和运动的影响，难度显著高于静态图像中的视觉定位。
50%待验证密集定位（Dense Grounding）是视觉定位中最具挑战性的子任务之一。
50%待验证视觉定位可应用于机器人操作、工业质检、UI自动化、文档理解、增强现实与电商等场景。
50%待验证评测设置（如提示词格式、是否允许思维链、图像分辨率等）会显著影响视觉定位的精度。
50%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。
50%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
50%待验证传统目标检测模型只识别预定义类别（如人、车、狗），而视觉定位接受自然语言查询，类别由文本动态指定，因此无需为每个新场景重新训练专用模型
50%