GroundingPI 重現實測（初步結果）：已完成 25 項，23 項與論文差距在 1 分以內

GroundingPI 是一個約 4B 參數（B 為十億）的視覺定位模型，主打依文字描述在圖片上畫框、點出位置，並涵蓋介面、文件與文字辨識等場景。本站依官方發布的評測套件做重現實測，目前完成 25 項、尚有 9 項在執行中，以下內容屬初步結果。分析一律把「本站實測」與「論文自報」分開呈現，並逐項比較。

重點

• 初步結果：評測項目總數 34 項，本站已完成 25 項，LVIS、RefCOCO 系列與視覺提示 COCO／LVIS 仍在第二批執行中。
• 已完成項目簡單平均：本站實測 72.50、論文自報 72.56，差距 -0.06，與論文一致。
• 25 項中有 23 項差距在 1 分以內，25 項全部在 3 分以內；本站高於論文超過 1 分與低於論文超過 1 分的各有 1 項，都在空間與機器人指向類別。
• 介面元素定位的 ScreenSpot-V2 本站實測 95.99；空拍小物件 VisDrone 偵測為 40.52、HierText 文字辨識為 41.67，屬於分數偏低的場景。
• 論文摘要的 73.68 是 11 項能力分數的平均，計算方式未完整公開，本站不以自身數字驗證或推翻，只做逐項比較。
• 本站首頁截圖示範中，「搜尋按鈕」框到旁邊的輸入框，其餘題目皆框對，中文提問也能正確定位。

GroundingPI 是什麼

GroundingPI 由 MoonViT-V2 視覺編碼器加上 Qwen3-4B 語言模型組成，模型卡標示約 4B 參數，輸出的框與點座標落在 0～999 的格點上，使用時需再換算回實際像素。本站測試的是 Hugging Face 上的官方權重 GroundingPI/GroundingPI，格式為 BF16（16 位元浮點格式，未經量化壓縮）。論文把評測分為 11 個能力類別，並與 44 個比較基準對照；本站只測 GroundingPI 本身，未重跑其他模型。

測試方法

• 測試對象：Hugging Face 上的官方權重 GroundingPI/GroundingPI（BF16，未量化），模型卡標示約 4B 參數（MoonViT-V2 視覺編碼器＋Qwen3-4B 語言模型）。
• 評測程式：官方 GitHub（groundingpi/GroundingPI）固定在 2026-10-14 的版本（commit 0909324），用它內建的 34 項評測套件 groundingpi34、官方提示詞與官方計分程式，本站沒有改任何評測設定。
• 評測資料：官方打包的 Grounding-EvalData，下載後用官方工具逐檔核對 SHA-256 並完整解碼圖片與資料表，全部通過。
• 推論：官方指定的 vLLM 0.18.0 容器與官方啟動程式（BF16、eager 模式、溫度 0），兩張 NVIDIA RTX A6000（各 48 GB）各跑一個服務分擔請求。
• 與官方設定唯一的不同：官方服務一次只處理 1 個請求，本站正式測試改為同時處理 96 個以加快速度。開跑前本站用相同的 80 題做過比對：同樣一次處理 1 個請求重跑一次，就有 17 題的座標差 1 格（0～999 的格點）；改成同時處理 16 個，有 15 題不同，差異同屬 1 格等級，兩種情況的分數完全相同。這是 GPU 運算本身的細微不確定性，也是論文取十次平均的原因。
• 本站只跑一次；論文的數字是十次平均（五個隨機種子各兩次）。
• 分數是官方計分程式的輸出，換算為 0～100。框類用 F1mIoU（預測框與正確框重疊程度在多個門檻下的 F1 平均，越高代表框得越準），指向用 F1@Point（點有沒有落在物件範圍內），介面與空間類用正確率。

結果總覽

本站使用官方 GitHub 固定在 2026-10-14 的版本（commit 0909324），以內建的 34 項評測套件 groundingpi34、官方提示詞與官方計分程式執行，評測設定未做任何修改；資料用官方工具逐檔核對 SHA-256（檔案雜湊校驗，用來確認檔案未損毀或被改動）並完整解碼，全部通過。已完成 25 項的簡單平均為本站實測 72.50、論文自報 72.56，差距 -0.06，與論文一致；其中 23 項差距在 1 分以內，25 項都在 3 分以內。論文另有 34 項簡單平均 74.61 與摘要平均 73.68 兩個數字，前者需等其餘 9 項完成才能對照，後者計算方式未完整公開，因此本站只做逐項比較。分數方面，框類用 F1mIoU（預測框與正確框在多個重疊門檻下的 F1 平均，越高代表框得越準），指向用 F1@Point（點是否落在物件範圍內），介面與空間類用正確率，皆換算為 0～100。

逐項對照

一般與長尾物件偵測　此類別目前只完成 COCO（常見物件偵測資料集）一項，本站實測 63.00、論文自報 62.98，差距 0.02，與論文一致。另一項 LVIS（涵蓋大量罕見類別的長尾資料集）仍在第二批執行中，完成項目為 1／2，類別層級的結論需等資料補齊。

密集與小物件偵測　Dense200（物件密集場景）本站實測 75.05、論文自報 74.53，差距 0.52；VisDrone（空拍）本站實測 40.52、論文自報 40.44，差距 0.08，兩項都與論文一致。類別平均為本站 57.79、論文 57.48，平均差距 0.30。從分數本身來看，空拍視角下的小物件偵測仍是這個模型相對吃力的場景。

指代定位（框）　指代定位是依一句文字描述框出特定物件，例如「穿紅衣服的人」。HumanRef 本站實測 88.66、論文自報 88.56，差距 0.10；RefCOCOg 驗證集本站實測 85.54、論文自報 85.62，差距 -0.08，皆與論文一致。類別平均本站 87.10、論文 87.09，平均差距 0.01，但目前只完成 2／6 項，RefCOCO 系列其餘項目仍在執行中。

物件指向（點）　此類別要求模型用一個點標出目標，已完成 5／7 項，類別平均本站實測 82.36、論文自報 82.52，平均差距 -0.15。各項差距都在 1 分以內，例如 RefCOCOg 驗證集為 90.06 對 90.26（差距 -0.20）、Dense200 為 80.83 對 81.27（差距 -0.44），皆與論文一致。VisDrone 本站實測 67.53，與框類的 40.52 相比，用點標示空拍物件的成績明顯較高。

空間與機器人指向　此類別 4 項全數完成，類別平均本站實測 74.86、論文自報 75.02，平均差距 -0.16。RefSpatial 未見過的情境為 75.32 對 75.32（差距 0.00），RefSpatial 位置為 75.00 對 76.00（差距 -1.00），兩者與論文一致。RefSpatial 擺放本站實測 77.00、論文自報 75.00（差距 2.00），RoboSpatial 本站實測 72.13、論文自報 73.77（差距 -1.64），是本次唯二差距超過 1 分的項目，一高一低，可能與單次執行的波動有關，需多次重跑才能確認。

介面元素定位　GUI（圖形使用者介面）元素定位是依描述在截圖上找出按鈕、輸入框等元件，3 項全數完成，類別平均本站實測 78.70、論文自報 78.92，平均差距 -0.22。ScreenSpot-V2 為 95.99 對 96.15、ScreenSpot-Pro（專業軟體）為 65.46 對 65.78、OSWorld-G 為 74.65 對 74.82，全部與論文一致。一般介面的分數很高，但換到元件密集的專業軟體畫面，成績明顯下降。

文字辨識（OCR）　OCR（光學文字辨識，把圖片中的文字找出並轉成文字）4 項全數完成，類別平均本站實測 54.80、論文自報 54.79，平均差距 0.01。HierText 為 41.67 對 41.70、ICDAR2015 為 55.69 對 55.68、TotalText（彎曲文字）為 49.33 對 49.32、SROIE（收據）為 72.51 對 72.47，皆與論文一致。HierText 有 0.06% 的輸出無法被計分程式解析，比例很低；整體而言收據這類版式固定的文件表現較好，自然場景與彎曲文字則偏弱。

文件版面　文件版面分析是框出標題、段落、表格、圖片等區塊，2 項全數完成。DocLayNet 本站實測 85.07、論文自報 85.08，M6Doc 本站實測 74.72、論文自報 74.82，皆與論文一致。類別平均本站 79.90、論文 79.95，平均差距 -0.05。

視覺提示　視覺提示是先用框或點示範要找的東西，再讓模型找出圖中同類物件，目前完成 2／4 項。FSC147（計數）本站實測 58.07、論文自報 57.99，Dense200 本站實測 75.25、論文自報 75.43，皆與論文一致。類別平均本站 66.66、論文 66.71，平均差距 -0.05；COCO 與 LVIS 兩項仍在第二批執行中。

實際操作：用本站首頁截圖測試

• 1. 「搜尋按鈕」：框住了旁邊的搜尋輸入框，沒有框到右側的「搜」按鈕本身；同一個問題在改版前的首頁截圖上則有框對
• 2. 「導覽列上的「AI 實驗室」連結」：正確，框在「AI 實驗室」連結上（中文提問）
• 3. 「訂閱電子報的 Email 輸入框」：正確，框在電子報的 Email 輸入框上（中文提問）
• 4. 「申請帳號／登入按鈕」：正確，框在「申請帳號／登入」按鈕上
• 5. 「首頁大標題」：正確，框住首頁大標題

本站另以自家首頁截圖做 5 題實際示範，「導覽列上的『AI 實驗室』連結」與「訂閱電子報的 Email 輸入框」都以中文提問並正確框出，「申請帳號／登入按鈕」與「首頁大標題」也都框對。唯一失誤是「搜尋按鈕」：模型框住了旁邊的搜尋輸入框，沒有框到右側的「搜」按鈕本身，而同一個問題在改版前的首頁截圖上是框對的。這顯示相鄰且功能相關的元件容易混淆，介面改版也可能影響結果；示範題數很少，只能當作使用情境的參考，不能代表整體表現。

限制

這是初步結果：34 項中目前完成 25 項，LVIS、RefCOCO 系列與視覺提示 COCO／LVIS 等 9 項大型資料集仍在執行，類別結論可能隨後調整。本站只跑一次，論文是十次平均（五個隨機種子各兩次），因此差距在 1 分以內一律視為與論文一致。與官方設定唯一的不同是本站把同時處理的請求數從 1 個改為 96 個；開跑前用相同 80 題比對，一次處理 1 個請求重跑就有 17 題座標差 1 格（0～999 格點），同時處理 16 個有 15 題不同，兩種情況分數完全相同，屬 GPU 運算本身的細微不確定性。推論採用官方指定的 vLLM（開源模型推論服務框架）0.18.0 容器、BF16、eager 模式、溫度 0（關閉隨機取樣），硬體為兩張 NVIDIA RTX A6000（各 48 GB）；測試資料皆為公開評測集，與實際業務畫面仍有落差，本站也未重跑論文的 44 個比較基準。

結論

就已完成項目來看，這個 4B 模型適合用在一般 GUI 元素定位（ScreenSpot-V2 本站實測 95.99）、依文字描述框選或點選物件（指代定位與物件指向類別平均分別為 87.10 與 82.36），以及文件版面分析；空拍小物件偵測、自然場景文字辨識與專業軟體介面則成績偏低，不宜直接期待高準確度。論文成績在本站大致可以重現：25 項中 23 項差距在 1 分以內、全部在 3 分以內，已完成項目簡單平均與論文一致，但摘要的 73.68 無法由本站驗證，其餘 9 項也仍待補齊。導入前建議用自家畫面實測，尤其留意相鄰元件混淆與介面改版的影響，並處理 0～999 格點到實際像素的換算，同時固定模型與推論框架版本，接受座標偶有 1 格差異的運算不確定性。

授權與資料

• 模型：GroundingPI 原創部分採 Apache 2.0；模型中來自 Kimi K3 的部分適用 Kimi K3 License（Copyright (c) 2026 Moonshot AI）。
• 評測資料：官方 Grounding-EvalData 僅供學術評測，各資料集保留原始授權；本站只公開分數，不轉載資料集圖片。示範圖為本站自己的網頁截圖。
• 論文：GroundingPI（arXiv:2609.39601）。本站逐項成績：原始分數 JSON。

測試與撰寫：本站以官方評測程式量測；表格與圖表由程式從評測輸出填入，分析段落由 Claude 依數據撰寫並經程式核對數字，未經人工審閱。發現錯誤請回報。