多模态评测系列（四）视觉grounding判定4类

模型把框画得跟真的一样，评测分数却给零。这坑就出在视觉 grounding 的判据上。

说白了就是让模型指出图里东西在哪。以前比文字，现在比几何。预测框和真实框只差几个像素，人眼看一模一样，IoU 却掉到阈值下，直接被算错。

IoU 最怕阈值和小目标。门槛一变分数就变，小物体偏几个像素，得分能从 0.8 掉到 0.3。mAP 看着全面，但重叠框怎么合并会动分数，大类样本多还会把小类的崩坏平均掉。

OCR 任务更冤。红色的“1024”和“一零二四”意思一样，精确匹配直接判错。生成图也没标准答案，像素比对根本不准，只能看整体分布和语义对齐。

所以评测不能一把尺子量到底。检测报 IoU 必须写清阈值、按大小分层；mAP 固定参数；OCR 加语义兜底；生成图还得人工抽检。一把尺子量所有，结论没意义。