山東
IT之家 5 月 30 日消息，英偉達昨日（5 月 29 日）發布博文，宣布攜手香港理工大學、南京大學等，推出 LocateAnything 模型，主打高速、高精度檢測對象。
該模型可以從照片或截圖中找出指定對象，并用檢測框標出位置，重點服務機器人感知、電腦自動操作等需要快速定位的場景。
NVIDIA 在介紹中強調，機器人和 AI Agent（智能體）僅能“看見”還不夠，還必須足夠快地確認目標位置。LocateAnything 圍繞檢測框預測重新設計，讓視覺語言檢測更適合即時交互任務。
LocateAnything 提出 Parallel Box Decoding（并行框解碼），把邊界框或點作為固定長度原子單元，在 1 步內預測 x1、y1、x2、y2。
該框架提供 Fast Mode、Slow Mode 與 Hybrid Mode：
- Fast Mode 面向端側機器人和具身智能，強調吞吐；
- Slow Mode 偏向離線標注和高精度評測；
- Hybrid Mode 默認快速輸出，遇到格式異常或空間歧義時切回自回歸解碼。
團隊還構建 LocateAnything-Data，包含 12M 獨立圖像、138M 語言查詢和 785M 邊界框。數據覆蓋通用檢測、GUI 元素定位、指代表達理解、OCR 文字定位、版面定位和點定位，顯著擴展訓練場景。
在單張 NVIDIA H100 GPU 上，LocateAnything 默認 Hybrid Mode 達到 12.7 Boxes Per Second（每秒框數），超過 Qwen3-VL 的 1.1 BPS，也高于 Rex-Omni 的 5.0 BPS。
高精度任務中，LocateAnything 在 LVIS 的 IoU=0.95 下得分 31.1，高于 Rex-Omni 的 20.7；ScreenSpot-Pro 平均 F1 達 60.3；DocLayNet 和 M6Doc 分別達 76.8 與 70.1。
IT之家附上參考地址
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.
