Xiuyuan Zhu

视觉定位模型Jag把边界框预测从逐坐标生成改成一次前向直接回归。此前的多模态模型需要自回归生成坐标文本再解析成框，顺序解码在图像-文本处理之外增加开销。Jag在Qwen3.5-0.8B上用一个轻量回归头读取最后一个有效输入token状态，一次输出四个连续坐标，并用L1与GIoU损失联合调整语言主干、视觉合并器和回归头。在RefCOCO、RefCOCO+、RefCOCOg上，它相对基座模型每个测试划分都提升，单请求平均延迟65.97毫秒。

视觉定位模型Jag把边界框预测从逐坐标生成改成一次前向直接回归。此前的多模态模型需要自回归生成坐标文本再解析成框，顺序解码在图像-文本处理之外增加开销。Jag在Qwen3.5-0.8B上用一个轻量回归头读取最后一个有效输入token状态，一次输出四个连续坐标，并用L1与GIoU损失联合调整语言主干、视觉合并器和回归头。在RefCOCO、RefCOCO+、RefCOCOg上，它相对基座模型每个测试划分都提升，单请求平均延迟65.97毫秒。