Hugging Face发布GroundingPI：革新物理智能的视觉基础模型

摘要：Hugging Face推出了一款名为GroundingPI的4B参数基础模型，旨在解决视觉-语言-动作（VLA）和世界动作模型（WAMs）在复杂场景和微小物体定位中的不足。GroundingPI通过多模态与空间预训练、监督微调以及基于GRPO的强化学习进行训练，在34个基准测试和11种感知能力上平均准确率达73.68%，超越GPT-6 Astra（71.54%）。作为下游视觉骨干，GroundingPI在机器人操作和自动驾驶任务中表现出色，例如在RoboTwin 2.0上性能提升高达24.8%。该模型展示了物理智能领域基础模型的新方向，强调了密集定位和感知预训练的重要性。

---

技术机制剖析

GroundingPI的核心突破在于其创新的训练流程和架构设计：

1. 多模态与空间预训练：GroundingPI结合了多模态数据（如图像、文本）和空间信息进行预训练，使其能够理解复杂的视觉场景和物体关系。
2. 监督微调：通过大量标注数据进行监督学习，进一步提升模型在特定任务上的表现。
3. 基于GRPO的强化学习：引入GRPO（Grounded Reinforcement Policy Optimization）算法，使模型在闭环控制环境中进行自我优化，从而提高定位精度和速度。

工程权衡与实测表现

• 精度与速度的平衡：尽管GroundingPI的参数量为4B，但其架构优化使其在保持高精度的同时，具备较快的推理速度，适用于实时应用场景。
• 多领域适用性：在机器人操作和自动驾驶等任务中，GroundingPI表现出色。例如，在RoboTwin 2.0上，其性能相较于最强基线提升了24.8%，展示了其在复杂环境中的鲁棒性。
• 数据效率：通过专用数据引擎生成训练数据，GroundingPI在数据利用效率上优于传统方法，减少了对大规模标注数据的依赖。

开发者落地与部署建议

• 硬件需求：由于GroundingPI的参数量较大，建议在配备GPU加速的硬件环境中部署，以获得最佳性能。
• 优化策略：开发者可以利用量化技术（如INT8量化）进一步降低模型推理时的计算和内存开销。
• 应用场景：适用于需要高精度物体定位和识别的场景，如机器人导航、无人驾驶、AR/VR等。

未来展望

GroundingPI的发布标志着物理智能领域基础模型的重要进展。其在多模态感知和空间定位方面的突破，为未来AI系统在复杂环境中的交互和应用提供了新的可能性。

---

消息来源：Hugging Face Daily Papers (2026-09-30)

—— 完 ——

主题标签： #Hugging Face 关注 #GroundingPI 关注 #多模态 关注 #机器人 关注 #自动驾驶 关注