NVIDIA 學習與感知研究實驗室（LPR Lab）發布 LocateAnything，這是一個統一視覺定位（visual grounding）與目標偵測的生成式框架，核心技術為全新的平行框解碼（Parallel Box Decoding, PBD）。

傳統視覺語言模型將邊界框座標序列化成多個 token 依序輸出，速度慢且容易出現幾何不一致；PBD 改以一次前向傳播（single forward pass）原子性地解碼每個邊界框，同時維持框內幾何一致性。

重點

  • 速度提升 10 倍：相較現有序列化解碼方案，PBD 解碼吞吐量大幅領先
  • 統一框架：單一模型處理 GUI 偵測、OCR 定位、文件理解、密集目標偵測等多種任務
  • 大規模訓練資料：LocateAnything-Data 涵蓋逾 1.38 億筆訓練樣本
  • 開源發布：LocateAnything-3B 模型已上架 Hugging Face，可立即取用
  • 混合解碼模式：可處理空間模糊性與格式不規則問題

編輯按

LocateAnything 將視覺定位從「慢而不可靠」推進為「快且統一」，對需要 GUI 自動化、文件解析或密集偵測的 AI Agent 開發者而言，這是值得追蹤的開源模型里程碑。

本文由 AI 整理，原文：NVIDIA Research