@DataChaz：@NVIDIA 刚刚发布了 LocateAnything，通过修复一个核心瓶颈使物体检测速度提升约10倍：模型如何…

X AI KOLs Following 模型
object-detection nvidia open-source speed-improvement visual-grounding

摘要

NVIDIA发布了LocateAnything，这是一个开源模型，通过同时预测所有坐标而非顺序预测，实现了约10倍的物体检测速度提升，在单块H100上达到12.7 FPS，并超越了320亿参数模型。

@NVIDIA 刚刚发布了 LocateAnything，通过修复一个核心瓶颈使物体检测速度提升约10倍： 模型如何写坐标。 标准AI模型用缓慢的方式进行视觉定位。 它们逐个预测坐标：Token 1、Token 2、Token 3、Token 4 等。 LocateAnything 不再把边界框当作文本处理。 它观察一个物体，并同时预测完整的坐标集。 由于不需要等待自己完成“句子”，速度提升非常惊人： → 单块 H100 上达到 12.7 帧每秒 → 在密集物体检测和 GUI 导航中表现优异 → 超越更庞大的 320 亿参数模型 .. 并且它是在一个巨大的自定义数据集上训练的，包含 1.38 亿个查询和 7.85 亿个边界框。 最棒的部分？ 它完全免费且开源。 我已将仓库链接放在下方 ↓
查看原文
查看缓存全文

缓存时间: 2026/06/17 11:52

@NVIDIA 刚刚发布了 LocateAnything，通过修复一个核心瓶颈，将对象检测速度提升约 10 倍：

模型如何编写坐标。

标准 AI 模型采用缓慢的方式进行视觉定位。

它们逐个预测坐标：Token 1、Token 2、Token 3、Token 4 等。

LocateAnything 不再将边界框当作文本处理。

它观察一个对象，并同时在完全相同的时刻预测完整的坐标集。

因为它不需要等待自己完成一个“句子”，速度提升令人难以置信：

→ 在单个 H100 上达到 12.7 帧每秒 → 在密集对象检测和 GUI 导航中表现优异 → 超越更重的 320 亿参数模型

并且它是在一个包含 1.38 亿次查询和 7.85 亿个边界框的大型自定义数据集上训练的。

最棒的是？

它完全免费且开源。

我在下方添加了代码仓库链接 ↓

相似文章

@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

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。