一句话看懂：Hugging Face 论文页面 9 月 30 日收录的 GroundingPI，用 4B 参数把点与框统一成量化坐标输出，在 34 个定位基准上平均拿到 73.68%，高于论文对比中更大的 GPT-6 Astra。它试图证明：专门做“看清楚目标在哪”的感知预训练，可能比通用视觉语言骨干更适合机器人和自动驾驶。
事件核心：发生了什么
论文摘要显示，GroundingPI 是一个 4B 规模的 grounding 基础模型，核心做法是把点和框都表示成共享词表中的量化坐标，让模型直接生成“目标在哪”的空间输出，而不是依赖通用视觉语言或视频生成骨干做间接感知。训练流程包括多模态与空间预训练、监督微调，以及使用 GRPO 的强化学习，数据来自公开数据集和专门构建的数据引擎。
在 44 个基线、34 个定位基准、覆盖 11 类感知能力的对比中，GroundingPI 平均得分 73.68%，高于论文中更大的 GPT-6 Astra 的 71.54%。作为下游视觉骨干，它在 RoboTwin 2.0 的四个分布外设置中均优于所评估的主流骨干，最高相对提升 24.8%；在 RoboCasa-GR1 上，用 50% 演示训练就超过基线用 75% 演示的结果；在 nuScenes 上，开环平均 L2 误差为 0.296 米。需要注意，这些是论文摘要给出的评测结果，尚不代表已上线产品或已通过同行评审。
为什么重要
当前 VLA 和世界动作模型大多直接借用通用视觉语言或视频生成骨干，但在杂乱场景、微小目标和闭环控制所需的低延迟定位上，这些骨干经常不够准。GroundingPI 的判断是：定位本身就是一种感知基础能力，值得单独预训练，而不是当作通用视觉能力的附带产物。
如果这一路线成立，竞争焦点会从“谁的通用大模型更大”部分转向“谁的感知数据配方和空间表示更扎实”。论文还提到，跨 11 类感知能力分析数据配方时，密集 grounding 对机器人和自动驾驶都有明显收益，OCR 可能成为感知学习的催化剂。这给开源与闭源阵营都提供了一个可验证的新方向。
对用户/开发者/创作者的影响
对机器人、自动驾驶和具身智能开发者来说，GroundingPI 的更大意义在于骨干可替换性：论文显示它能作为视觉骨干接入下游任务，并在演示数据更少的情况下取得更好结果。如果后续开源权重或 API 可用，团队可能减少对昂贵标注和超大通用视觉模型的依赖。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对普通用户和内容创作者，短期内不会直接出现一个消费级产品，但它可能间接影响未来的机器人操作、辅助驾驶和空间交互应用。目前公开信息显示，论文尚未说明推理延迟、部署成本、许可协议和商用限制，这些才是决定它能否真正进入闭环控制的关键。
值得关注的后续
第一，看是否有开源权重、模型卡或 API 发布，以及推理速度能否满足实时闭环控制。第二，看第三方能否复现 73.68% 的平均成绩和 RoboTwin 2.0 上的提升，尤其是与 GPT-6 Astra 的对比条件是否公平。第三，看密集 grounding 和 OCR 数据配方是否被其他 VLA、自动驾驶团队跟进，形成新的感知预训练范式。
