北京
5月28日，一個來自英偉達研究團隊的視覺語言模型突然沖上Hugging Face趨勢榜首，相關演示視頻里物體邊界框幾乎是“瞬間”出現——這就是LocateAnything，一款以極快速度完成精準定位的開放模型。它在CVPR 2026論文中亮相，直接瞄準了一個長期痛點：對于AI智能體和機器人來說，“看得到”只是第一步，能不能快到足夠讓機器實時做出反應才是關鍵。
LocateAnything的核心思路并不復雜：重新設計邊界框預測的并行解碼流程，讓模型在保持高精度的同時大幅縮短推理時間。英偉達公開的推文視頻里，無論是擁擠畫面中的多個物體，還是細密的重復單元，模型都像開了“一鍵標記”模式，幾乎沒有可感知的延遲。這種速度優勢，使得它不只適合實驗室測評，更面向機器人抓取、桌面自動化操作這類對實時性要求苛刻的場景。
更讓開發者興奮的是訓練數據的覆蓋面。LocateAnything的學習素材不限于常規的自然照片，還大量加入了應用截圖和文檔頁面。因此它不僅能認出貓、椅子、汽車，還能在記事本界面中準確框出“文件”“編輯”“顯示”三個菜單項，或者在復雜排版里找到指定文字區域。這種UI元素和文字級別的定位能力，意味著它可以成為自動化測試、RPA流程、無障礙輔助等領域的通用視覺基座。
在官方放出的對比結果中，研究人員把LocateAnything和Qwen3-VL、Rex-Omni拉到了同一個擂臺上。面對“逐窗識別建筑窗戶”或“逐根辨認堆放的木材”這類需要細粒度區分且容易黏連的目標時，另外兩個模型常常漏標或合并框選，而LocateAnything給出了更準確、更干凈的邊界框。文字定位方面同樣保持領先，尤其是在分辨率不高或字體混雜的情況下，它仍能將目標文字塊一一分離出來。
為了讓外界快速上手，英偉達已經在Hugging Face上部署了交互式體驗空間。用戶只需上傳圖片，輸入待檢測目標的名字（例如輸入“video-game”），點擊“Run Inference”就能得到標注結果。在一張擺滿游戲卡帶的照片中，模型一次性框出了所有游戲軟件包裝盒，沒有遺漏也沒有誤判；而當更換為多目標指令時，也能在同一張截圖中同時響應多個文本標簽，返回的結果干凈、可讀。
目前，LocateAnything-3B已經作為開放模型公開，任何人都可以從Hugging Face倉庫下載權重。這個參數量設置在3B級別的模型，既保持了邊緣設備部署的可能性，又兼顧了多任務泛化能力。結合英偉達近期一系列輕量高效模型的動作（比如面向實時視頻生成的LongLive-2.0、高分辨率潛在空間轉換的PiD），不難看出其正在構建一套面向“理解-定位-操作”閉環的視覺工具鏈，而LocateAnything正好補上了“快速精準定位”這一環。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
