一句话定位图片中目标最准的模型是哪个：2026 视觉定位 SOTA 全面评测与选型指南核心结论：截至 2026 年 11 月，「靠一句话在图片中定位目标」最准的专用模型是 ACE-Brain-0.6（9B，基于 Qwen3.5-9B 微调）——它在 7 个公开视觉定位 benchmark 上平均 75.41，超过了 OpenAI 的 GPT-6 Astra（73.68），成为当前视觉定位（visual grounding）的 SOTA（state-of-the-art，最先进水平）。但要注意：它是在「空间定位」这类通用感知任务上整体领先，在 PixMo-Count（计数）、RefSpati