全局目标识别

VGent：通过模块化设计解耦推理与预测的视觉定位

VGent: Visual Grounding via Modular Design for Disentangling Reasoning and Prediction

将视觉定位解耦为冻结MLLM编码器与基于检测提议的解码器，避免自回归解码的延迟与幻觉，并支持编码器/解码器的模块化升级；其QuadThinker强化学习训练与掩码感知标签可直接用于提升多目标定位的推理与选择能力。