@DataChaz: NVIDIA 刚完成了一项疯狂之举：通过移除整个行业认为必不可少的步骤，将边界框检测速度提升至10倍。

X AI KOLs Timeline 2026/06/01 08:49 论文

bounding-box-detection nvidia vlm grounding model-acceleration computer-vision research

摘要

NVIDIA研究人员开发了一种技术，通过消除VLM基础模型用于自动回归逐token预测的步骤，将边界框检测速度提升了10倍。

🚨 NVIDIA 刚完成了一项疯狂之举：通过移除整个行业认为必不可少的步骤，将边界框检测速度提升至10倍 ↓ 每个 VLM 基础模型都把边界框当作句子来处理，逐 token 预测。这本质上很慢。详情请见 https://t.co/OE7fxZFF4V

查看原文

查看缓存全文

缓存时间: 2026/06/01 09:35

🚨 NVIDIA 刚刚完成了一项疯狂的操作：通过移除整个行业都认为必须的精确步骤，使边界框检测速度快了 10 倍 ↓

每个 VLM grounding 模型都将框视为句子，逐词预测。这本质上很慢。

进入 https://t.co/OE7fxZFF4V

相似文章

X AI KOLs Following

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。

X AI KOLs Timeline

NVIDIA 悄然发布了 Nemotron-3.5-ASR，这是一个轻量级、参数规模为 0.6B 的开源语音识别模型，专为实时流式传输设计，支持 40 多种语言、低延迟和缓存感知架构。

X AI KOLs Following

NVIDIA 推出了 LocateAnything，这是一个统一的生成式定位与检测框架，采用并行框解码（Parallel Box Decoding）来提升解码吞吐量和定位精度。该工作将在 CVPR 2026 上进行展示。

X AI KOLs Timeline

英伟达研究人员推出了SparDA，这是一种新的Transformer变体，它增加了一个第四投影（Forecast）来预测下一层的KV块，从而支持从CPU内存预取并降低选择成本，实现了解码速度提升1.7倍，并在长程推理任务上准确率提升6.5个百分点。

X AI KOLs Following

NVIDIA 研究团队发布了 LocateAnything，一种重新定义边界框预测的视觉语言检测模型，该模型在 HuggingFace 上排名第一。