北京
分享至
图像推理分割任务里，模型通常靠一个特殊的 token同时完成"理解语义"和"定位目标"两件事。ACL2026上提出的AnchorSeg却认为，一个token扛两件事，是性能瓶颈的根源。
它的解法很直接：把单个token扩展成一个K个隐推理token加一个锚点token的库。前者专门负责语义推理，后者专注空间定位，两者各司其职，不再互相干扰。
为什么拆分比合并更有效？
传统方法把"知道要分割什么"和"知道目标在哪"压缩进同一个表征，训练时容易顾此失彼。AnchorSeg让K个隐token并行推理语义，锚点token则锁定坐标，相当于把一道混合题拆成两道专项题，每道都更容易做对。
这种设计在ReasonSeg基准上拿到了当前最优成绩（SOTA）。对做多模态理解或视觉定位的开发者来说，这个思路提示了一个通用方向：当任务包含多个子目标时，显式解耦往往比隐式混合更稳。
论文的细节值得细读，但核心逻辑一句话就能说清：让每个token只干一件事，并把它们干的事明确分开。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
