@VincentLogic: NVIDIA 刚开源的这个 LocateAnything 模型，真的有点强。 以前那种视觉定位模型，生成坐标是一个数字一个数字往外蹦（像挤牙膏一样），又慢又不稳定。 这个新模型用了“并行边界框解码”，直接一步预测完整坐标，速度快多了，框得…

X AI KOLs Timeline 模型
visual-localization parallel-decoding open-source nvidia small-model bounding-box

摘要

NVIDIA 开源了 LocateAnything 模型，采用并行边界框解码技术，一步预测完整坐标，速度快且准确。模型仅 3B 参数，可在消费级显卡上运行，支持视频物体定位、UI 识别和 OCR 等任务。

NVIDIA 刚开源的这个 LocateAnything 模型，真的有点强。 以前那种视觉定位模型，生成坐标是一个数字一个数字往外蹦（像挤牙膏一样），又慢又不稳定。 这个新模型用了“并行边界框解码”，直接一步预测完整坐标，速度快多了，框得也准。 不管是找视频里的物体，还是识别UI界面、OCR文字，它都能搞定。 最关键是模型很小，只有 3B 参数（约7.8GB），消费级显卡也能本地跑！ 做计算机视觉或者多模态的朋友，这个必须得试试。 项目已开源，手慢无！
查看原文
查看缓存全文

缓存时间: 2026/06/03 17:53

NVIDIA 刚开源的这个 LocateAnything 模型，真的有点强。

以前那种视觉定位模型，生成坐标是一个数字一个数字往外蹦（像挤牙膏一样），又慢又不稳定。 这个新模型用了“并行边界框解码”，直接一步预测完整坐标，速度快多了，框得也准。

不管是找视频里的物体，还是识别UI界面、OCR文字，它都能搞定。 最关键是模型很小，只有 3B 参数（约7.8GB），消费级显卡也能本地跑！

做计算机视觉或者多模态的朋友，这个必须得试试。 项目已开源，手慢无！

相似文章

@VincentLogic: NVIDIA 这次真的不讲武德，直接甩出一个开源的视频理解怪兽 Nemotron 3 Nano Omni，处理视频快得离谱：1 小时就能搞定 10 小时的视频内容，比播放速度还快 10 倍 核心靠的是 3D 卷积技术，不再逐帧傻扫，而是成…

X AI KOLs Timeline

NVIDIA 开源了视频理解模型 Nemotron 3 Nano Omni，采用 3D 卷积技术，处理速度比播放速度快 10 倍，擅长音视频分析、监控检索和素材打标，但不适用于代码或文本推理任务。