丰富对话 grounding 数据：面向通用指代表达理解的三层数据合成框架
计算与语言
2026-04-28 v2
摘要
基于对话的通用指代表达理解（GREC）要求模型在复杂视觉场景中对表达进行 grounding，并解决长对话上下文中的指代消解问题。然而，现有系统因训练与评估域之间的分布迁移问题而难以胜任，这一困难因缺乏标注对话 grounding 数据而加剧。我们通过三层数据合成方法来应对这一挑战，该方法在真实性与可控性之间取得平衡，为对话条件下的 grounding 生产可扩展的监督。基于合成数据的精调显著优于先前方法，跨越标准评估指标。
关键词
引用
@article{arxiv.2512.02791,
title = {Making Dialogue Grounding Data Rich: A Three-Tier Data Synthesis Framework for Generalized Referring Expression Comprehension},
author = {Juexi Shao and Siyou Li and Yujian Gan and Chris Madge and Vanja Karan and Massimo Poesio},
journal= {arXiv preprint arXiv:2512.02791},
year = {2026}
}