NVIDIA LocateAnything-3B — 視覺定位模型

• URL: https://www.threads.com/@techsundries/post/DaDmEfzAQPN
• Date Saved: 2026-06-27
• Source: Threads
• Tags: ai-tools, ai-engineering

Summary

@techsundries (英伟达) 介紹 NVIDIA 開源的視覺定位模型 LocateAnything-3B。

核心亮點：並行邊界框解碼

傳統 AI 視覺模型生成 bounding box 的方式是逐個數字輸出座標 (x1→y1→x2→y2)，像手寫數字一樣順序生成。問題：

• 速度慢
• 早期生成的數字影響後面的，框越多累積誤差越大

LocateAnything-3B 改用並行解碼：一步直接輸出完整檢測框（不是順序生成，是同時生成）。結果：框更穩，密集場景下不亂。

訓練數據範圍廣：

• 不只常規目標檢測
• 還包括 UI 識別、OCR、頁面理解
• 同一個模型可以框實物、界面元素、文字區域

Demo: 幾十個小黃人密密麻麻堆在一起，一個不漏全部框出來。

互動: 3 likes, 1 reply, 4 reposts