多模態大語言模型（MLLMs）在整體物體定位方面表現出色，能夠根據自由形式的語言查詢準確識別目標。然而，當查詢指定的是物體的某個部件（例如“車輪”而不是“汽車”）時，這些模型往往難以應對。研究人員認為，根本原因在於現有模型缺乏物體與部件之間的層次結構：部件定位與物體定位使用相同的單一步驟，導致缺乏區分能力。這一發現來源於對現有MLLMs行為的深入分析，表明它們無法理解部件與整體之間的歸屬關係。
為了解決這一問題，來自多家機構的研究人員提出了物體-部件層次化反射式定位（Object-Part Hierarchical Reflective Grounding, OP-HRG）。該策略採用由粗到細的推理引導方式：首先定位父物體（如汽車），然後在父物體區域內定位具體部件（如車輪）。這一兩步驟過程模擬了人類的認知方式，先關注整體再聚焦局部，有效地引入了層次化推理。
OP-HRG包含一個自檢機制，用於反思定位結果。如果自檢發現錯誤，模型會進一步對預測裁剪區域進行重新編碼，以檢查並糾正定位區域。這種反射式設計有效提升了部件定位的準確率。具體地，自檢步驟會評估當前定位的置信度，若低於閾值則觸發重編碼過程，使得模型能夠從局部上下文中獲得更多信息。
在訓練方面，團隊引入了部件感知的GRPO（Group Relative Policy Optimization）框架，通過階段獎勵來優化整個流水線。該方法允許模型在不同階段獲得針對性獎勵，從而更有效地學習部件定位策略。階段獎勵分別對應於物體定位、部件定位和自檢修正三個階段，使得模型各部分協調優化。
實驗結果表明，一個僅有4B參數的模型經過這種訓練後，在PascalPart、PartImageNet和InstructPart三個基準數據集上均超越了7B參數的定位LLMs以及SAM3分割模型。例如，在PascalPart數據集上，該模型的定位準確率比7B模型高出5個百分點。此外，該模型還能遷移到推理分割任務中，顯示出良好的泛化能力。
該研究已被ECCV 2026接收，為部件級視覺定位提供了新的思路。未來，該團隊計劃進一步探索更復雜的層次結構，並擴展到更多應用場景，例如機器人操縱和醫學圖像分析。