什么是视觉定位？指出图中位置，别再混淆了

「帮我把图里的杯子框出来」——这句话要让模型听懂并照做，靠的就是 AI 视觉里的视觉定位。用一句话圈出图中某个东西的位置，它在多模态大模型里越来越常见，Kimi 和文心一言的识图能力里都有它的影子。

它和目标检测差在哪

传统目标检测是「报菜名」：把图里所有认识的类别一个个框出来。视觉定位是「听点菜」：你说要哪个，它只框哪个。前者是全量输出，后者是指令驱动。判断标准也简单：前面有没有一句人话指令。

类比：目标检测像超市盘点，货架全扫一遍；视觉定位像店员服务，你说「拿那罐黄色的」，他直奔目标。

一句话记住分工：检测回答「图里有什么」，定位回答「你说的那个在哪」。两个问题别混着问，答案形式完全不同。

两种能力按维度摊开，差别一目了然。

框和坐标怎么读

定位结果通常是一个矩形框，用四个数字表示：左上角的横纵坐标加右下角的横纵坐标。有些模型输出比例值，有些输出像素值，用之前要确认口径。拿到框再裁剪、放大、打标注，都是下游的常规操作。

类比失效：店员可以凭感觉找到货架，模型必须落成数字才有用。坐标是精确值，没有「大概在那边」这种说法。

比例值和像素值换算也别大意：模型给的是 0 到 1 的比例时，要乘上原图宽高才是像素坐标；给像素坐标时，则要确认是不是按缩放前的原图算的。口径搞反，框会整体偏移。

指代理解是难点

「左边第二只猫」「戴帽子的那个人」这类说法，考验的不只是看见，还有理解。模型要把方位词、序数词、属性描述都对上画面里的实体。指代一复杂，框错位置的概率就上升，这也是各家模型还在追赶的地方。

多物体和遮挡场景是另两道坎。图里五只猫让你框第三只，序数词要数得对；目标被挡住一半，框该贴着可见部分还是补全轮廓，不同模型选择不同。批量任务里先拿几张图试模型的理解习惯，再上量，能省很多返工。

整页截图建议先用版面分析分好区块，再对目标区域下指令，框得更稳。

说一句话就能框东西吗

现在的多模态对话模型基本都支持：把图发进对话框，直接用自然语言说要框什么。要点是描述尽量具体——光说「那个东西」模型会猜，说「图右侧的红色水杯」就稳得多。智谱清言的识图问答同样吃这套描述方法。

框出来的局部如果是表格，交给表格识别；如果是公式，走公式识别，定位常常是这些能力的前置步骤。

下游玩法比想象中多：同一类物体逐个定位后能自动计数；定位加裁剪能批量打码，保护画面里的敏感信息；电商图里定位商品位还能自动贴标。误差来源主要三个——目标太小、画面模糊、描述含糊，前两个靠换高清源解决，最后一个靠把话说细。

顺手记一个进阶判断：定位结果稳不稳，看重复测试。同一句话问三遍，框的位置基本不动，说明模型对这个描述理解扎实；每次飘来飘去，说明它在猜，换更明确的描述最有效。

定位描述自查清单

• 方位说了吗：左、右、上、下、中间
• 属性给足了吗：颜色、大小、状态
• 同类物体多个时，序数词用了吗

描述越具体，框得越准，这条没有例外。

关于视觉定位再多问三句

• 框出来能直接用吗？：能，导出坐标后可接裁剪、打码、计数等下游处理。
• 小物体会框不准吗？：会，目标越小像素越少，定位误差越明显，先裁剪局部再框更稳。
• 视频里能逐帧定位吗？：可以，先用视频抽帧再逐帧定位，是常见的组合流程。

回到开头那句话：会框东西的模型，本质是把语言和位置接上了线。下次识图时试着下一条指令，你会发现对话式视觉比想象中顺手。