LocateAnything 是 NVIDIA 推出的视觉-语言定位（Vision-Language Grounding）模型。核心创新 Parallel Box Decoding (PBD) 将完整的边界框作为原子单元一步预测，打破传统逐token自回归解码的瓶颈，实现速度和精度的双重提升。

核心创新：并行框解码（PBD）

传统的视觉定位模型以自回归方式逐词生成边界框坐标。LocateAnything 引入了 并行框解码：

• 在 并行的结构化单元 中预测完整的边界框（x1, y1, x2, y2）和点

• 采用逐块多令牌预测框架

• 在不牺牲几何一致性的前提下实现 2.5 倍吞吐量提升

• 支持 三种推理模式：

  • 快速模式

    ：并行解码，追求最大速度

  • 慢速模式

    ：自回归解码，追求最高精度

  • 混合模式

    （默认）：并行解码，当格式异常时回退到自回归解码

使用场景

• 开放集、常见及长尾目标检测

• 在杂乱场景中的密集多目标检测

• 短语和指代表达定位

• 自动化数据集标注与注释（如检测、定位、指向）

• 用于交互式和智能体系统的 GUI 元素定位

• 机器人与自动驾驶感知

• 文档理解、版面定位和 OCR 定位

• 工业检测、监控和遥感应用

• 基于点的定位和细粒度空间推理

【nvidia/LocateAnything-3B】模型已经在趋动云『社区项目』上线，无需自己创建环境、下载模型，一键即可快速部署，快来体验【nvidia/LocateAnything-3B】带来的精彩体验吧！

项目入口

https://open.virtaicloud.com/web/project/detail/721647383146205184

视频教程
https://www.bilibili.com/video/BV1G4Te6MEwU/?vd_source=85d5574e8763d2ef3afdafc50f2b9d43

启动开发环境

进入【nvidia/LocateAnything-3B】项目主页中，点击运行一下，将项目一键克隆至工作空间，『社区项目』推荐适用的算力规格，可以直接立即运行，省去个人下载数据、模型和计算算力的大量准备时间。

配置完成，点击进入开发环境，根据主页项目介绍进行部署。

使用方法

在gemini/code中找到使用说明，选中使用方法单元格，点击运行。

等待生成local URL，右侧添加端口7860。

项目使用方法

示例展示

➫温馨提示： 完成项目后，记得及时关闭开发环境，以免继续产生费用！