视觉定位不再逐字生成坐标：0.8B模型一次前向出框，单请求65.97毫秒

视觉定位的输出从逐坐标生成文本改为一次前向直接回归出框。 此前的多模态模型把边界框写成坐标序列，再解码并解析成框，顺序解码在图像-文本处理之外额外增加输出计算。 在RefCOCO、RefCOCO+、RefCOCOg的官方测试划分上，Jag相对未做任务微调的Qwen3.5-0.8B在每个划分都提升，增益为9.63到17.51个准确率点。

回归头读取最后一个有效输入token的隐状态，一次性输出四个连续坐标。 NExT-Chat从生成的触发token隐状态回归连续框，LocateAnything在框对齐的token块内并行预测离散坐标，Jag读取的是已有的输入状态，不生成触发token。 训练用L1损失监督归一化中心与尺寸，用GIoU损失监督框重叠，两阶段先只训回归头、再联合更新语言主干、视觉合并器和回归头；推理时一次多模态前向即返回框，无需坐标生成或文本解析。

这项工作面向静态图像中的单目标定位，用RefCOCO、RefCOCO+、RefCOCOg的指代表达基准评估，训练用了三个基准官方训练划分的321,327条指代表达、覆盖28,158张图像。推理效率的测量在单张NVIDIA A100-PCIE-40GB上完成，五个模型顺序处理同一批评估输入。扩展到多指代目标、视频或分割，需要针对任务重新设计和评估；在专门领域应用时，应在有代表性的数据上评估性能。

在更严格的IoU阈值0.75和0.9上，微调后的自回归模型在三个数据集上都更准，说明两者在精确框位置上的差距大于Acc@0.5所反映的差距。RefCOCOg上自回归模型的平均准确率更高，配对差区间也偏向它。推理效率依赖输入分辨率、表达长度、硬件和部署设置，报告中的加速比描述的是所测的端到端负载。