先说个场景。

你让机器人去桌上拿那个蓝色杯子，它答得挺快：好，蓝色杯子。

然后手伸过去，抓了个空。

不是它不认识。它认识，甚至能告诉你杯子里有没有水。但它指不准——杯柄在左边还是右边，杯口离桌沿还有几厘米。就差这么一点，手就空了。

第一反应往往是“手”的问题：控制不够精细、动作不够稳。但把这两篇论文翻完，结论可能正好相反：卡住的可能是“眼睛”。

而且这事儿还有个更麻烦的地方：不光要准，还得快。

闭环控制里，定位慢一步，动作就晚一步。可现在的 grounding 模型为了准，经常要在密集场景里吐一长串坐标 token，延迟直接吃掉控制频率。准和快，像鱼和熊掌。

最近，小鹏、北京大学、香港大学等机构同天放了两篇工作，正好一人管一个：GroundingPI 管“准”，GroundAnything 管“快”。

先说 GroundingPI：它把“坐标”变成了“字”

平时见到的 grounding，大概两条路。

一条是外挂检测头，精度可以，但跟语言模型是两张皮。另一条是让模型直接把坐标当文本吐出来，比如“左边 123，上边 456”，统一是统一了，可代价吓人——比如 SEED1.5-VL，一个框要吐 148 个 token，密集场景一张图几十个框，光吐坐标就能吐到天荒地老。

GroundingPI 的做法很“程序员”：既然文本能当 token，坐标为什么不能？

它干脆把坐标也做成词。把画面切成 1000 个格子，每个格子的编号就是一个 token，跟“杯子”“杯柄”这些词躺在同一张词表里。模型想指一个位置，就跟说一个词一样自然。查无此物的时候，它就输出一个 None。

说白了，它让“指哪”从外挂功能，变成了模型的母语。

论文：GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives
链接：https://arxiv.org/abs/2609.39601
项目主页：https://groundingpi.github.io/
代码：https://github.com/groundingpi/GroundingPI
模型：https://huggingface.co/GroundingPI/GroundingPI

训练上分三段：先做基座 VLM（投影对齐、多模态联合预训练、通用视觉理解，一共 500.41B tokens），再做 SFT 把坐标和输出协议对齐（221.17B tokens），最后上 GRPO——每张图每个问题采样 8 条回答，奖励拆成“覆盖度 0.7 + 严格定位 0.3”。

数据这块也没全靠公开集。他们做了个数据引擎：多个教师模型分别标，按字段级“接受 / 拒收 / 未决”来融合，再由一个统一的 grounding 专家迭代补标。不是简单投票，是“有疑点的再取证”。

效果如何？

34 个 grounding benchmark、44 个 baseline、11 类感知能力，平均 73.68%，比 GPT-6 Astra 的 71.54% 高一点。

注意，就一点。

真正值得看的是分项：密集小目标，Dense200 上 74.53 对 65.04；指代，HumanRef 上 88.56 对 83.01；OCR 和版面也赢（SROIE 72.47 对 53.57）。

但反过来也得说清楚：GUI 差得挺明显，ScreenSpot-Pro 只有 65.78，Astra 是 93.17；空间指向 RefSpatial 也是 75.50 对 85.93。所以谁要跟你说“全面超越 GPT-6”，把这两行甩过去就行。

比跑分更狠的，是“换双眼睛”之后动作真的变好了

这才是这两篇论文最值得聊的部分。

他们把 8 个预训练基座——通用 VLM、视频生成、grounding、具身基座各两个——接到同一个 π0 风格 Action DiT 上，动作数据、训练预算、推理流程全部固定，只换“眼睛”。

结果：RoboTwin2.0 Full 66.20%；只训 Clean、测 Randomized 的 Clean2Random 上 17.60%，第二名 Rex-Omni 是 14.10%，相对高 24.8%。

更离谱的是数据效率。RoboCasa-GR1 上只给 50% 的演示数据，它跑到 28.75%，比所有基线用 75% 演示的最好成绩（27.75%）还高。只用了 50% 的演示数据，反而更能打。

但这里得说句实话：满数据 ID 上它 37.75%，还是低于 RynnBrain 的 39.00%。论文自己写得很老实——优势在“少数据”，不在“满数据”。这一点挺难得的——很多工作只挑好看的数字讲。

数据配方那段也挺干货。他们把感知能力拆成六组：基础定位、密集定位、指代、基础点选、机器人点选、OCR/版面/GUI，然后一组组拿掉，看下游掉多少。

结果是，拿掉密集定位，RoboCasa 的 ID/OOD 直接掉 4.67/3.47 个百分点，妥妥的空间核心。而 OCR 单独用最弱，放进组合里却最有用——作者由此猜它是“感知催化剂”，也老老实实承认：这只是假设，得做匹配干预才能证明。

再说 GroundAnything：它解决的是“快”

自回归的问题很直白：一个字一个字往外蹦，密集场景一张图几十上百个框，序列化长度就是延迟。

GroundAnything 换了个想法。它说，grounding 本质是“从图里抽视觉证据”，对象、位置、关系之间是有依赖，但有依赖不代表必须从左到右生成啊。

于是它用块状扩散，并行去噪：先一起冒出一堆空间假设，再一起精修。

论文：GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed
链接：https://arxiv.org/abs/2609.39600
项目主页：https://groundingpi.github.io/groundanything/

打个比方，自回归像挤牙膏，一次挤一点；扩散像先糊一版草稿，再拿橡皮擦一起改。改的是整张图上的所有框，不是“下一个框”。

训练路径也挺少见的：先做 grounding 预训练，再把自回归模型直接转成扩散模型（AR 和 diffusion 联合目标），然后 SFT、GRPO。AR 版本也留着了，叫 GroundAnything-VLM。

结果：30 个 grounding benchmark 上，AR 版平均 72.42%，跟 Astra 的 71.35% 基本打平；扩散版用熵引导解码，平均 61.75%，比主打速度的 LocateAnything（53.32%）高一截。速度上，可选的 self-speculative 模式相对 AR 版本 4.51 倍加速，COCO F1mIoU 只掉 0.74 个百分点。

一句话：准和快，可以不是二选一，取决于你让模型怎么“开口”。

所以这场分享，值得听什么

不是听“又刷新 SOTA 了”。SOTA 这事儿，每周都有。

值得听的是三件事。

第一，一个 4B 的模型，怎么从“预训练到底该训什么”这个第一性问题倒推：先把感知拆成可训练的能力项，再一项项配数据。这个思路，比模型结构本身更值钱。

第二，那张六组配方的消融表。做 VLA、做具身的人，最缺的就是这种“数据该往哪投”的证据。

第三，如果你不做具身，这也算个好案例：所有人都在卷更大的模型，有人回头去卷更对的预训练目标，而且还真赢下了几个关键项。

最扎心的问题是：如果下一代通用模型把 grounding 追平了，专用感知基座还剩什么价值？这个，留到 AMA。

10月29日（周四）晚8点，青稞Talk 第163期，青稞社区邀请到 GroundingPI 与 GroundAnything 共同第一作者、北京大学硕士生（小鹏 VLA 基座部门实习生）Qize Yu，聊聊《GroundingPI & GroundAnything：从精准定位到高速感知，探讨具身基模该如何进化》。

嘉宾介绍

Qize Yu，北京大学硕士在读，导师董豪；现于小鹏 VLA 基座部门实习，研究方向为具身感知与 VLA 基座模型。GroundingPI 与 GroundAnything 共同第一作者、项目负责人（project lead），两项工作于 2026 年 9 月 30 日同天发布，代码与权重均已开源。

分享内容

GroundingPI & GroundAnything：从精准定位到高速感知，探讨具身基模该如何进化

1、看得懂，却指不准：通用基模的视觉定位短板
2、GroundingPI：4B 定位基模，如何在精度与泛化上实现突破？
3、GroundAnything：借助扩散语言模型，如何让精准定位跑得更快？
4、从坐标词表到并行解码：定位精度与推理速度能否兼得？
5、具身基模预训练该训什么？从密集定位、OCR 到 System-1 / System-2
6、AMA（Ask Me Anything）环节

直播时间

10月29日（周四）20:00 - 21:00