NVIDIA LocateAnything 使用并行框解码技术，比逐令牌定位模型更快地定位对象、GUI 元素、文本和视觉区域。
NVIDIA LocateAnything 是一个 30 亿参数的视觉语言定位模型，旨在根据自然语言指令定位对象、文本、界面元素和视觉区域。其核心创新并行框解码技术，将完整边界框作为原子单元预测，而非逐个生成坐标令牌。对于人工智能构建者来说，更快更准确的定位能提升视觉代理、GUI 自动化、机器人、文档理解和多模态工作流的性能。
NVIDIA LocateAnything 针对多模态人工智能中最实用的问题之一：将语言定位到精确的视觉位置。模型可能理解用户在询问按钮、对象、文本块或视觉区域，但实际应用需要机器可操作的坐标、框或点。
传统的视觉语言定位模型通常逐令牌生成边界框坐标。这导致框的几何形状与文本生成的顺序性不匹配。LocateAnything 通过将框或点视为完整单元改变了解码策略，允许更多并行处理和更好的几何一致性。
这一结果对构建视觉代理、文档人工智能、用户界面自动化、机器人和检测系统的开发者非常重要。如果模型能够准确快速地定位目标，它将成为需要点击、检查、注释、计数、导航或在物理和数字世界中行动的代理的感知层。
该模型旨在根据自然语言指令定位对象、GUI 元素、文本、布局和视觉区域。
将完整框作为原子单元预测可提升解码速度，同时保持几何一致性。
GUI 代理、机器人、文档人工智能、OCR 定位、数据集标注和工业检测均能从更快的视觉定位中受益。
仅描述图像的视觉语言模型虽有用，但代理需要的不仅是描述。它需要知道某物的位置。GUI 代理必须定位图标和按钮，文档代理必须找到表格和文本区域，机器人系统必须识别杂乱场景中的对象。
LocateAnything 专为这一面向动作的层设计。它支持开放集对象检测、密集多对象定位、指称表达定位、GUI 元素定位、OCR 定位、布局定位和基于点的定位。这使其对企业智能和物理人工智能均具相关性。
主要创新是并行框解码。模型不再将边界框序列化为多个坐标令牌，而是一次性预测完整坐标集。这更符合视觉几何结构，框的角点是相关联的，而非独立的文本片段。
NVIDIA 还描述了灵活的推理模式。快速模式优先考虑吞吐量，慢速模式使用更传统的自回归解码以保证稳定性，混合模式在输出变得模糊或结构不可靠时可回退。这为开发者提供了实用的速度与精度控制手段。
在 GUI 自动化中，LocateAnything 可帮助代理理解屏幕上点击或检查的位置。在文档人工智能中，它能定位文本、布局块和表格。在机器人和工业检测中，它支持在杂乱环境中定位对象，精确边界尤为重要。
该模型同样适用于数据集标注和注释工作流。如果开发者能将自然语言查询准确定位为框或点，就能加速检测、OCR、视觉搜索和具身代理系统的训练数据创建。
LocateAnything-3B 可在 Hugging Face 上获取，提供 Transformers、vLLM、SGLang 和 Docker 风格部署示例。研究人员和开发者可在本地或服务器多模态管道中测试定位性能。
但模型卡声明该版本仅供研究开发，遵循 NVIDIA 非商业许可。团队应仔细阅读许可条款，谨慎用于产品、面向客户的功能或商业自动化工作流。
LocateAnything 指向一个更广泛的趋势：多模态人工智能正变得更加空间化。未来的代理不仅需要理解图像内容，还需理解其位置、与其他对象的关系以及下一步应采取的行动。
开发者应关注该技术如何在视觉计算代理、机器人模型、文档智能平台和 NVIDIA 物理人工智能生态系统等生产级系统中出现。当精准定位成为代理工作流的默认能力，而非独立研究特性时，影响将最大。
LocateAnything 是一个 30 亿参数的视觉语言定位模型，能根据自然语言指令定位对象、GUI 元素、文本、布局和点。
并行框解码是一种将完整边界框作为一个原子单元预测的方法，而非逐个生成坐标令牌。这能提升速度并保持几何一致性。
Hugging Face 模型卡声明 LocateAnything-3B 以 NVIDIA 非商业许可发布，仅供研究和开发。企业应仔细审查许可后再进行商业使用。
