NVIDIA LocateAnything 使用平行框解碼技術，比逐字定位模型更快地定位物件、GUI 元素、文字和視覺區域。
NVIDIA LocateAnything 是一款 3B 視覺語言定位模型，設計用於從自然語言指令中定位物件、文字、介面元素和視覺區域。其核心創新「平行框解碼」將完整邊界框作為原子單元預測，而非逐一生成座標標記。對 AI 建構者而言，這意味著更快且更準確的定位能提升視覺代理、GUI 自動化、機器人、文件理解及多模態工作流程的效能。
NVIDIA LocateAnything 針對多模態 AI 中最實用的問題之一：將語言定位於精確的視覺位置。模型可能理解使用者在詢問按鈕、物件、文字區塊或視覺區域，但實際應用需要機器能操作的座標、框或點。
傳統的視覺語言定位模型通常逐字生成邊界框座標，這造成框的幾何形狀與文字生成的序列性不匹配。LocateAnything 改變了解碼策略，將框或點視為完整單元，允許更多平行處理並提升幾何一致性。
這對開發視覺代理、文件 AI、UI 自動化、機器人和檢測系統的開發者來說非常重要。如果模型能準確且快速定位目標，便能成為需要點擊、檢查、註解、計數、導航或在實體與數位世界中行動的代理的感知層。
此模型設計用於從自然語言指令中定位物件、GUI 元素、文字、版面及視覺區域。
將完整框作為原子單元預測，可提升解碼速度並保持幾何一致性。
GUI 代理、機器人、文件 AI、OCR 定位、資料集標註及工業檢測均可受益於更快的視覺定位。
只描述影像的視覺語言模型固然有用，但代理需要的不只是描述，它需要知道某物的位置。GUI 代理必須定位圖示和按鈕，文件代理必須找到表格和文字區域，機器人系統必須辨識雜亂場景中的物件。
LocateAnything 專為此行動導向層設計，支援開放集物件偵測、密集多物件定位、指稱表達定位、GUI 元素定位、OCR 定位、版面定位及基於點的定位，對企業智慧與實體 AI 均具相關性。
主要創新是平行框解碼。模型不將邊界框序列化成多個座標標記，而是一次預測完整座標集合。這更符合視覺幾何結構，因為框的角點彼此相關，而非獨立文字片段。
NVIDIA 也描述了靈活的推理模式。快速模式優先考量吞吐量，慢速模式使用較傳統的自回歸解碼以提升穩定性，混合模式則在輸出模糊或結構不可靠時回退。這為開發者提供實用的速度與精度控制介面。
在 GUI 自動化中，LocateAnything 可協助代理了解螢幕上應點擊或檢查的位置。在文件 AI 中，它能定位文字、版面區塊和表格。在機器人與工業檢測中，能支援雜亂環境中物件定位，精確邊界尤為重要。
此模型亦適用於資料集標註與註解工作流程。若開發者能將自然語言查詢定位於準確框或點，便能加速偵測、OCR、視覺搜尋及具身代理系統的訓練資料創建。
LocateAnything-3B 可在 Hugging Face 上取得，並提供 Transformers、vLLM、SGLang 及 Docker 風格部署範例，方便研究者與開發者在本地或伺服器多模態管線中測試定位效能。
不過模型卡指出此版本為 NVIDIA 非商業授權下的研究與開發用途。團隊應仔細閱讀授權條款，使用於產品、面向客戶的功能或商業自動化流程前需謹慎評估。
LocateAnything 指向一個更廣泛的趨勢：多模態 AI 正變得更具空間感。未來代理不僅需理解影像中有什麼，還要知道它在哪裡、與其他物件的關係，以及下一步應採取的行動。
開發者應關注此技術如何出現在生產級系統中，如視覺電腦使用代理、機器人模型、文件智慧平台及 NVIDIA 的實體 AI 生態系。當精確定位成為代理工作流程的預設能力，而非獨立研究功能時，影響將最為深遠。
LocateAnything 是一款 3B 視覺語言定位模型，能從自然語言指令中定位物件、GUI 元素、文字、版面及點位。
平行框解碼是一種將完整邊界框作為一個原子單元預測的方法，而非逐一生成座標標記。此方法可提升速度並保持幾何一致性。
Hugging Face 的模型卡指出 LocateAnything-3B 以 NVIDIA 非商業授權釋出，僅供研究與開發。企業在商業使用前應仔細審閱授權條款。
