GroundingPI：面向物理智能、以视觉基元做 grounding 的基础模型

arXiv 论文提出 GroundingPI，一个 4B 的 grounding 基础模型，以量化坐标形式在共享词表中生成点和框。训练结合多模态与空间预训练、监督微调及 GRPO 强化学习，使用公开数据集和专用数据引擎。在 34 项 grounding 基准、44 个基线上平均 73.68%，高于更大的 GPT-6 Astra 的 71.54%，并作为视觉骨干提升机器人操作与自动驾驶任务表现。

此前 VLA 与世界动作模型多直接复用通用视觉语言或视频生成骨干，在杂乱场景和微小目标的精确定位上受限。GroundingPI 用更小参数在多项定位基准上超过更大模型，并作为视觉骨干在机器人操作和自动驾驶上带来可测提升，说明专一定位骨干可能替代通用骨干。

该模型把点和框编码为共享词表中的量化坐标，使定位与语言生成统一在一个自回归框架内。训练分三阶段：多模态与空间预训练、监督微调、GRPO 强化学习，配合公开数据集和专用数据引擎提供监督。论文还报告随预训练规模与数据配比扩大，下游操作与驾驶任务持续改善，暗示定位能力可迁移到具身与驾驶场景。

对机器人研发和自动驾驶团队，可将视觉感知骨干替换为定位更强的 4B 模型，在不扩大参数量的前提下提升杂乱场景和小目标识别。RoboCasa-GR1 上仅用 50% 演示数据即超过基线用 75% 的效果，意味着可降低数据采集与标注成本。nuScenes 开环 L2 误差 0.296 米可作为感知骨干选型的参考指标。

• 在机器人操作流水线中，把现有通用 VLM 骨干替换为 GroundingPI，验证抓取与杂乱场景定位成功率。
• 利用其数据效率，缩减演示数据采集预算，优先覆盖长尾小目标与遮挡场景。
• 将点与框的量化坐标输出接入闭环控制模块，测试实时性与控制频率是否满足要求。
• 在自动驾驶感知栈中以 GroundingPI 作为视觉骨干，复现 0.296 米开环 L2 误差并对比现有方案。

• GroundingPI 的推理延迟与吞吐是否满足闭环控制的实时要求，证据未给出具体数值。
• 与 GPT-6 Astra 等基线的对比是否在完全相同的评测条件下完成，证据未说明细节。
• 作为视觉骨干时，与现有 VLA 或 WAM 结合的具体接口与微调成本尚未说明。
• 专用数据引擎的构建方式与可复现性未在证据中披露。