标签
一项实测基准评估在 48 张带标注的 COCO 照片上，测试了 TypeSafe 的 Jev 1.14 的图像输入和新增 Box（边界框）输出功能，发现其是非判断准确率很高（98.4%），但也存在明显陷阱：Box 从不回答“未找到”，置信度阈值无法在不同模型版本之间通用，而且措辞会显著影响概率。作者建议，每次使用 Box 时都配合目标是否存在的检查，为每个问题单独设置阈值，并固定模型版本。
Jev 决策模型现已支持多模态输入，允许在状态和问题中同时传入图像，并新增了 Box 类型，可返回 YOLO 风格的边界框用于目标定位。此次更新还支持并行问答，适用于交互式视觉应用，其中图像和 Box 功能仍处于实验阶段。
介绍 Jag，一个 0.8B 视觉定位模型，通过单次前向传播直接预测边界框而非自回归生成坐标，在保持与 LocateAnything 相当精度的同时，速度提升 3.62 倍、峰值 GPU 显存降低 73.88%，并开源了模型权重、代码与在线演示。
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 的 LocateAnything 是一个重新思考边界框预测的视觉语言检测模型，现已成为 Hugging Face Space 并在该平台上排名第一。该空间模板由 @_akhaliq 创建。
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。