2026 年 10 月 14 日——小鹏汽车 AI 团队联合北京大学、香港大学等七所高校于 9 月 30 日发布 4B 参数 grounding 基础模型 GroundingPI，论文已提交 arXiv，模型权重与代码随后在 HuggingFace 与 GitHub 公开。在覆盖 11 类感知能力的 34 项 grounding 基准、对比 44 个基线模型的评测中，GroundingPI 平均得分 73.68%，超过参数量更大的 GPT-6 Astra（71.54%）。

模型定位与技术方案

GroundingPI 面向物理智能（Physical Intelligence）场景的精确定位需求。论文称，现有视觉-语言-动作（VLA）模型与世界-动作模型（WAM）的感知能力普遍来自通用视觉-语言模型或视频生成基座，在密集遮挡、微小目标和闭环控制所需的低延迟定位场景下仍不稳定。GroundingPI 以精确点（point）和边界框（box）作为视觉基元，将坐标量化后纳入与文本共享的词表，用同一套输出协议统一目标检测、指代表达理解、指向、OCR、GUI 元素定位和文档版面六类定位任务。

训练采用三阶段方案：多模态与空间预训练、监督微调（SFT）、基于 GRPO 的强化学习，数据来自公开数据集与团队自建的数据引擎。项目页披露的消融数据显示，预训练数据规模从第一阶段逐步扩展至第四阶段，grounding 平均分从 61.69% 升至 73.68%；在数据配比消融中，六组数据全量组合在下游迁移中表现最好，仅用物理智能数据的对照组成绩明显落后。

模型规格方面，HuggingFace 模型卡显示，GroundingPI 以 BF16 精度存储约 48.4 亿参数，权重约 9.8GB（两个分片），支持中英双语，基于 transformers 库的自定义 image-text-to-text 架构，并附在线 Demo Space。

面向物理智能的下游迁移

论文将 GroundingPI 作为下游视觉基座接入统一的动作专家（Action DiT）进行受控对比，固定动作专家架构、动作数据与训练预算（4 万步更新、40 张加速卡），仅更换预训练基座。对照模型覆盖四类基座：通用视觉语言模型（Qwen3-VL-4B、PaliGemma-3B）、视频生成基座（Wan2.2-TI2V-5B、Cosmos-Predict2.5-2B）、grounding 模型（LocateAnything-3B、Rex-Omni-3B）与具身基座模型（RynnBrain 系列）。

下游评测 指标 GroundingPI-4B 最强对照
RoboTwin 2.0 双臂桌面操作（分布内） 成功率 66.20% RynnBrain-2B 59.12%
RoboTwin 2.0 Clean2Random（分布外） 成功率 17.60% Rex-Omni-3B 14.10%
RoboCasa-GR1 人形灵巧手操作（分布内） 成功率 37.75% RynnBrain-2B 39.00%
RoboCasa-GR1 三项分布外评测 成功率 28.94%/37.78%/37.86% 均排名第一
nuScenes 自动驾驶开环规划 平均 L2 误差 0.296 m Qwen3-VL-4B 0.301 m、RynnBrain 0.308 m

官方口径为六项物理智能评测中五项排名第一、四项分布外评测全部第一，分布外场景相对最强基座的提升最高达 24.8%。数据效率方面，GroundingPI 使用 50% 机器人演示数据取得 28.75% 成功率，超过所有基线使用 75% 数据的成绩（其中最高为 RynnBrain 的 27.75%）。

需要指出的是，在 RoboCasa-GR1 分布内评测中，具身基座模型 RynnBrain-2B（39.00%）高于 GroundingPI（37.75%），论文对此如实披露；10 月 1 日的第三方技术分析亦指出，GroundingPI 在部分高难度 GUI 基准上与前沿大模型仍有差距。

发布与开源情况

项目 内容
论文 arXiv 2609.39601，2026 年 9 月 30 日提交，64 页（含附录）
模型权重 huggingface.co/GroundingPI/GroundingPI，9 月 30 日创建，10 月 4 日更新
代码仓库 github.com/groundingpi/GroundingPI（公开仓库）
项目主页 groundingpi.github.io，含 34 项基准交互式评测数据
许可 仓库标注 apache-2.0-with-upstream-kimi-k3，附 Apache-2.0 与 Kimi K3 两份许可文件
合作机构 小鹏汽车，联合北京大学、香港大学、加州大学伯克利分校、普林斯顿大学、新加坡国立大学、清华大学、香港科技大学（广州）

截至发稿，该模型在 HuggingFace 上累计下载 246 次、获点赞 16 个。从许可文件命名看，模型与 Kimi K3 存在上游许可关联，官方文档未单独说明语言底座来源。

小鹏近年持续投入物理 AI 底座：2025 年 4 月披露 720 亿参数「世界基座模型」，2026 年 6 月公布由世界模型与第二代 VLA 构成的物理 AI 基模底座。GroundingPI 是小鹏在感知基座方向的一次开放发布，其定位能力直接面向 AI 汽车与机器人两类具身终端。