本文仅看Rex-Omni中关于坐标量化的思路。

Detect Anything via Next Point Prediction,https://arxiv.org/abs/2510.12798

Rex-Omni 的核心思路是：将 “连续坐标回归” 转化为 MLLM 擅长的 “离散 token 预测任务”。因此，任务目标就是让 MLLM “能懂坐标”。

具体做法：

1. 坐标量化：将图像坐标系的连续坐标（通常图像尺寸归一化后为0_{1）离散化为**0}999的整数范围**。例如，某目标框左上角x坐标为0.321，量化后为321；右下角y坐标为0.876，量化后为876。

   • 量化粒度（1000级）的选择：平衡“精度”与“学习难度”——粒度太粗会导致框不准，太细会增加token数量（降低效率），1000级在实验中被验证为最优。

2. 特殊token表示坐标：为每个量化后的坐标值（0~999）分配一个专属的特殊token（而非用普通文本token拼接，如“3”“2”“1”表示321）。例如：

   • 量化坐标“321”对应特殊token <321>；
   • 目标框的4个坐标（x1,y1,x2,y2）=（10,20,40,100）被表示为<x1> <y1> <x2> <y2>=（<10><20><40><100>）的token序列。

3. 任务转化为“下一个token预测”：将目标检测任务融入MLLM的核心范式——“序列生成”。例如，输入“检测图像中的猫”，模型需生成“猫 <123> <456> <789> <901>”的序列，其中后4个特殊token即对应猫的目标框。如果是定位文字轮廓（需要多边形），就输出更多符号，比如<10><5><20><5><20><15><10><15>；如果是标点（比如杯子把手），就输出 2 个符号<80><60>。