多模态大语言模型（MLLM）在目标定位精度上被长期诟病，难以匹敌传统的基于坐标回归的检测器。近 日，来自 IDEA 研究院的团队通过仅有 3B 参数的通用视觉感知模型 Rex-Omni，打破了这一僵局。 该模型将所有视觉感知任务统一为「下一个点预测」，并结合高效的 4-Token 坐标编码和两阶段 GRPO 强 化学习后训练。在 COCO、LVIS 等核心检测基准的零样本评估下，Rex-Omni 的性能超越了 Grounding DINO，DINO 等基于坐标回归模型的。它系统解决了 MLLM 的定位和行为缺陷，在目标检测、指代、点 选、GUI 定位、OCR、版面分析等 10 多项任务上实现 SOTA 的性能，预示着下一代强语言理解的感知系统 的到来。 目标检测的「金杯」与两大模型范式核心困境 另一方面，MLLM（如 Qwen2.5-VL, SEED1.5-VL） 因其底层的 LLM 具有强大的语言理解和推理能力，为 实现这一目标带来了希望。它们将坐标视为离散的 Token，用交叉熵进行分类预测。然而，这种概念上优雅 的方法在实践中面临两大根本挑战，导致其定位能力远未达到传统回归检测器的水平，并容易出现低召回 ...