# 几何监督

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。

该工作提出 GeoScaffold 几何监督框架：先在训练轨迹的深度图上学习一个紧凑深度分词器并冻结，再用少量可学习几何查询 token 微调策略，令其隐藏状态重建深度、连通性与可通行性等导航关键几何，从而把几何内化进策略本身；训练后分词器、目标生成器与重建头全部丢弃，主干与动作接口保持不变，实验显示其在连续 VLN 基准上稳定优于领先的纯视觉导航器，为空间感知具身导航模型的轻量边缘部署提供了一条实用路径。

该工作提出 GeoScaffold 几何监督框架：先在训练轨迹的深度图上学习一个紧凑深度分词器并冻结，再用少量可学习几何查询 token 微调策略，令其隐藏状态重建深度、连通性与可通行性等导航关键几何，从而把几何内化进策略本身；训练后分词器、目标生成器与重建头全部丢弃，主干与动作接口保持不变，实验显示其在连续 VLN 基准上稳定优于领先的纯视觉导航器，为空间感知具身导航模型的轻量边缘部署提供了一条实用路径。