该文综述视觉定位与多模态大模型进展，提出融合语义名词与无类别分割的实体级方法，在叙事定位、指称分割和全景分割上优于现有方案；并介绍GLaMM、LLM-Grounder、BuboGPT、TGDoc、LLM4VG、LEGO、SDG、GroundVLP等模型，覆盖图像、视频、3D与文档场景，显示零样本与多模态定位能力持续提升。