IDEA研究院发布Rex-Omni：3B参数MLLM重塑目标检测，零样本性能超越DINO

把目标检测变成“下一个点预测”，用2200万数据+强化学习解决行业难题

目标检测技术正在迎来一场范式革命！传统方法如YOLO、DETR依赖复杂的坐标回归，而IDEA（粤港澳大湾区数字经济研究院）研究院的最新研究Rex-Omni通过巧妙的任务重构，将目标检测转化为更符合大语言模型思维的“下一个点预测”任务，在零样本设置下实现了对传统强手的超越。

论文标题：Detect Anything via Next Point Prediction 论文链接：https://arxiv.org/abs/2510.12798 代码仓库：https://github.com/idea-research/rex-omni

突破传统：从坐标回归到点预测

Rex-Omni的核心创新在于彻底改变了目标检测的问题定义。研究团队将图像坐标空间量化为1000个离散值，每个值对应一个专用token。这样，一个边界框只需4个token（x0, y0, x1, y1）即可表示，完美适配语言模型的生成范式。

图片1.png

这种设计带来双重优势：

• 降低学习难度：连续的坐标回归简化为有限集合的分类问题
• 提升推理效率：相比将坐标拆解为单个数字的方法，token使用效率大幅提升

图片2.png

三大支柱：架构创新的坚实基础

Rex-Omni的成功建立在三大核心设计之上：

任务范式创新：基于Qwen2.5-VL-3B架构，复用词汇表最后1000个token作为坐标专用token，无需大幅改动模型结构。

图片3.png

数据引擎支撑：团队构建自动化数据流水线，整合公共数据集与自产数据，最终形成2200万样本的训练集，覆盖定位、指代、指向等多种任务。

图片4.png

训练流程优化：采用两阶段训练策略——先通过监督微调打下基础，再引入GRPO强化学习方法，通过几何感知奖励函数精细调整模型行为。

图片5.png

性能表现：零样本检测的新标杆

在权威基准测试中，Rex-Omni展现惊人实力：

COCO数据集：零样本设置下，IoU阈值为0.5时，性能不仅超越之前最强MLLM SEED1.5-VL，甚至超过了为COCO专门训练的传统检测器DINO-R50。

图片6.png

LVIS长尾检测：在更具挑战性的长尾任务中，mIoU指标达到46.9，证明其优秀泛化能力。

图片7.png

图片8.png

密集小目标检测：在Dense200数据集上取得78.4的F1@0.5分数，有效解决了MLLM在密集小目标上的传统弱点。

图片9.png

图片10.png

多任务能力：超越传统检测的边界

得益于语言模型的底层架构，Rex-Omni展现出全面的视觉感知能力：

• 指代性物体检测
• 视觉提示理解
• GUI界面定位
• OCR文字识别
• 关键点检测

这种统一的方法为开发通用视觉感知系统开辟了新路径。

图片11.png

图片12.png

图片13.png

技术启示与未来展望

Rex-Omni的突破表明，通过巧妙的任务重构，MLLM不仅能够“理解”图像内容，更能“精准定位”视觉元素。这种将目标检测统一到生成框架下的思路，为多模态大模型在视觉任务中的应用提供了全新范式。

该研究已全面开源，包括论文、代码和演示，为社区进一步探索提供了坚实基础。