List your company

Visual Grounding on RefCOCO+ (val)

91.4AccuracyVanilla
82.0484.4786.989.33Nov 16, 2021Aug 18, 2022May 21, 2023Feb 21, 2024Nov 22, 2024Aug 25, 2025May 28, 2026

Evaluation results

MethodLinks
VanillaBackbone Model=DeepSeek-VL2 Small-16B, Average Tokens=100%2026.0291.4—
InternVL2.5Number of Parameters=78B2025.0290.4—
IVC-PruneBackbone Model=DeepSeek-VL2 Small-16B, Average Tokens=52%2026.0290.3—
Youtu-VLModel Size=4B2026.0190.1—
Qwen3-VL-8B-Thinking + EGMBackbone=Qwen3-VL-8B, Enhancement=EGM2026.0190.1—
InternVL-3-78BBackbone=InternVL-3-78B2026.0190.1—
Qwen3-VL-4B-Thinking + EGMBackbone=Qwen3-VL-4B, Enhancement=EGM2026.0189.7—
Qwen3-VL-235B-A22B-ThinkingBackbone=Qwen3-VL-235B-A22B, Variant=Thinking2026.0189.5—
InternVL-3-8B + EGMBackbone=InternVL-3-8B, Enhancement=EGM2026.0189.3—
W-FastVBackbone Model=DeepSeek-VL2 Small-16B, Average Tokens=54%2026.0289.2—
PDropBackbone Model=DeepSeek-VL2 Small-16B, Average Tokens=57%2026.0289—
Qwen2.5-VLNumber of Parameters=72B2025.0288.9—
Qwen2.5-VLModel Size=72B2026.0488.9—
ONE-PEACE2026.0588.8—
ONE-PEACE2023.0588.77—
CogVLM-G2026.0588.7—
CogVLM-Grounding-17BModel Size=17B, Zero-shot=false2024.0288.68—
Qwen3-VL-235B-A22B-InstructBackbone=Qwen3-VL-235B-A22B, Variant=Instruct2026.0188.6—
Florence-2Backbone=DaViT-B2026.0188.3—
Florence-2-L#PT=126M, #FT=127K2025.0388.3—
Grounding DINO2025.0288.2—
InternVL-3-8BBackbone=InternVL-3-8B2026.0188.2—
InternVL3-8BModel Size=8B2026.0288.2—
Grounding DINO2026.0488.2—
OpenVLThinkerV22026.0488.2—
InternVL3.5-8B2026.0587.9—
OFA2023.0587.86—
FastVBackbone Model=DeepSeek-VL2 Small-16B, Average Tokens=54%2026.0287.8—
Qwen3-VL-2B-Thinking + EGMBackbone=Qwen3-VL-2B, Enhancement=EGM2026.0187.8—
Qwen3-VLvariant=GDPO2026.0487.8—
UFOBackbone=InternVL2.5-8B2026.0187.7—
Qwen3-VLvariant=GRPO2026.0487.7—
X2-VLM_large# Params=593M, Pre-training Data=More Data2022.1187.6—
InternVL-3.5Model Size=4B2026.0187.6—
GR3D-8B2026.0587.5—
Ferretv2#PT=1.1M, #FT=127K2025.0387.4—
Phi3V-dist#PT=0, #FT=127K2025.0387.1—
OneThinker-8B2026.0487—
X2-VLM_large# Params=593M, Pre-training Data=4M2022.1186.9—
Florence-2-B#PT=126M, #FT=127K2025.0386.8—
RoboInter-Qwen-7BModel Size=7B, Backbone=Qwen2026.0286.6—
Qwen2.5-VL-7B AIFAIF=true2026.0486.6—
Qwen3-VL-8B-ThinkingBackbone=Qwen3-VL-8B, Variant=Thinking2026.0186.2—
TextHawk22026.0586.2—
X-FMbase# Params=327M, Training Data=More Data2023.0186.1—
Phi3V-sft#PT=0, #FT=127K2025.0385.9—
Phi3V-vocab#PT=0, #FT=127K2025.0385.9—
OFA_large# Params=472M, Pre-training Data=More Data2022.1185.8—
Qwen3-VL-8B-InstructBackbone=Qwen3-VL-8B, Variant=Instruct2026.0185.8—
RoboInter-Qwen-3BModel Size=3B, Backbone=Qwen2026.0285.8—
Qwen2-VL-7B2026.0585.8—
FIBER2023.0585.74—
InternVL-3-2B + EGMBackbone=InternVL-3-2B, Enhancement=EGM2026.0185.6—
X2-VLM_base# Params=255M, Pre-training Data=4M2022.1185.4—
X2-VLMbase# Params=255M2023.0185.4—
UNINEXTModel Category=Specialist2024.0385.24—
X2-VLM_base# Params=255M, Pre-training Data=More Data2022.1185.2—
X2-VLMbase# Params=255M, Training Data=More Data2023.0185.2—
Qwen3-VL-4B-ThinkingBackbone=Qwen3-VL-4B, Variant=Thinking2026.0185.2—
InternVL-2.5-8B2026.0485.2—
UNINEXT#PT=600K, #FT=127K2025.0385.2—
UNINEXT-H2026.0585.2—
VanillaBackbone Model=InternVL 2.5 8B, Average Tokens=100%2026.0285.1—
X-FMbase# Params=327M2023.0184.8—
IVC-PruneBackbone Model=InternVL 2.5 8B, Average Tokens=50%2026.0284.8—
GriffonBackbone=LLama2-13B2026.0184.8—
X-VLMPre-training Images Scale=16M2021.1184.51—
X-VLM2023.0584.51—
Qwen3-VLvariant=Instruct2026.0484.5—
Qwen3-VL-4B-InstructBackbone=Qwen3-VL-4B, Variant=Instruct2026.0184.4—
VLM-R12026.0484.3—
Qwen2.5-VLNumber of Parameters=7B2025.0284.2—
QwenVL2.5-7BModel Size=7B2026.0284.2—
RoboInter-LLaVAOV-7BModel Size=7B, Backbone=LLaVA-OV2026.0284.2—
Qwen2.5-VL-7B2026.0484.2—
Qwen2.5-VLModel Size=7B2026.0484.2—
Qwen2.5-VL-7B2026.0584.2—
InternVL-3-2BBackbone=InternVL-3-2B2026.0184—
InternVL3-2BModel Size=2B2026.0284—
InternVL3-2B2026.0584—
InternVL-3-1B + EGMBackbone=InternVL-3-1B, Enhancement=EGM2026.0183.8—
ForeSightModel Size=7B2026.0483.66—
DeepEyes2026.0483.6—
DeepEyesModel Size=7B2026.0483.6—
QWen-VL-7BLLM=Qwen-7B2023.1183.12—
Qwen-VL-7BModel Size=7B, Zero-shot=false2024.0283.12—
VistaLLM-7BModel Size=7B, Zero-shot=false2024.0282.9—
Qwen3-VLModel Size=4B2026.0182.9—
Shikra-13BLLM=Vicuna-13B2023.1182.89—
VanillaBackbone Model=Qwen2.5-VL 7B, Average Tokens=100%2026.0282.8—
Grounding DINOBackbone=Swin-L2026.0182.8—
Shikra2026.0282.8—
Grounding-DINO-L2026.0482.8—
Ferret#PT=1.1M, #FT=127K2025.0382.8—
Grounding-DINO-L2026.0582.8—
Grounding-DINO2023.0582.75—
G-DINO-LModel Category=Specialist2024.0382.75—
Localization Heads2026.0482.7—
InternVL3.5-2B2026.0582.7—
Qwen2.5-VLNumber of Parameters=3B2025.0282.4—