具身视觉追踪要求移动智能体仅依靠机载视觉，持续跟随自然语言指定的目标。现有视觉—语言—动作策略虽然能统一目标识别与路径规划，但其思维链往往停留在抽象空间表征中，既不容易直接监督，也未必能与图像中的明确检测结果对齐。ReferTrack 的核心选择，是把“认出要跟谁”和“接下来往哪走”拆成前后衔接的两个步骤。
先指认，再生成追踪路点
ReferTrack 使用单个前向摄像头。模型首先面对一组带索引的边界框，根据语言描述选出目标；随后以这次图像空间中的选择为条件，解码用于追踪的路点。相比直接从视觉和语言生成动作，这种设计提供了更明确的中间决策：目标身份可以落到具体边界框，而不是只存在于难以检查的隐空间中。
为了增强目标指认能力，作者还使用自建的 Refer-QA 数据集进行联合训练。摘要没有披露该数据集的规模、构造方式与覆盖场景，因此目前只能确认它被用于辅助目标识别，尚无法单独判断其贡献大小。
用边界框历史保留运动线索
持续追踪不能只看当前帧。ReferTrack 维护一个滑动窗口队列，保存此前选中的目标边界框，并提取其几何特征。模型再通过 temporal-viewpoint-bbox indicator，也就是 TVBI token，将这些信息注入视觉历史，以保留目标随时间变化的运动线索。
在 EVT-Bench 上，ReferTrack 在单目标、干扰和歧义三个划分中的成功率分别为 89.4%、73.3% 和 74.1%，取得单视角方法中的领先结果。在更依赖目标识别的任务上，其表现可匹配或超过若干多摄像头基线。作者还在四足与人形机器人上进行了真实部署，并报告了较稳健的仿真到现实迁移表现；不过摘要未提供部署规模、环境范围或失败率等细节。
我的判断
这项工作的价值不只是刷新单目结果，而是为具身追踪引入了可检查的图像空间中间变量。先选框、再规划，使目标认错和路径生成错误更容易被区分，也为后续监督与调试留下接口。它尤其适合目标指代复杂、摄像头数量受限的移动机器人。
边界也很明确：方法依赖候选边界框及其跨时间记录，检测框如何产生、漏检或误检时是否稳定，摘要没有说明；真实世界验证也缺少定量细节。因此，现阶段更适合把 ReferTrack 看作一种清晰且有效的架构方向，而不是已经证明能覆盖开放环境长期追踪的完整方案。