英伟达推出LocateAnything，主打AI高速、高精度检测对象

说起机器人和AI智能体的视觉能力，过去大家关注的是能不能“看见”，但现在，真正的问题是：看见了，能多快找到目标？这不，英伟达昨天（5月29日）联合香港理工大学、南京大学等机构，正式推出了一个名为 LocateAnything 的新模型，目标就是解决这个“快”字。

简单来说，这个模型可以从一张照片或截图中，快速找出你指定的那个对象，并用一个检测框把它标出来。听起来不算新鲜？关键在于，它把速度和精度都推到了一个非常高的水平，特别适合机器人感知、电脑自动操作这类需要即时响应的场景。

英伟达在介绍中强调了一个核心观点：机器人和AI智能体光能“看见”还不够，还得在眨眼间确认目标在哪。为此，LocateAnything 整个设计围绕“检测框预测”重新构建，让视觉语言检测真正适应即时交互任务。

为了实现这种高速检测，团队提出了一个叫 Parallel Box Decoding（并行框解码）的技术。思路是把边界框或点当作固定长度的原子单元，一次预测就能输出 x1、y1、x2、y2 四个坐标值，一步到位。

围绕这个框架，LocateAnything 提供了三种运行模式：

Fast Mode，主要面向端侧机器人和具身智能，追求高吞吐；Slow Mode，偏向离线标注和高精度评测，适合追求完美的场景；而 Hybrid Mode，默认状态下快速输出，一旦遇到格式异常或空间歧义，能自动切换回自回归解码来保证准确性。这套组合拳，说白了就是“平时快，遇事稳”。

当然，这么强的能力背后，是海量数据的支撑。研究团队构建了一个名为 LocateAnything-Data 的训练集，包含1200万张独立图像、1.38亿条语言查询以及7.85亿个边界框。数据覆盖了通用检测、GUI元素定位、指代表达理解、OCR文字定位、版面定位和点定位等多种场景，极大扩展了模型的训练视野。

速度到底有多快？直接看数据：在单张NVIDIA H100 GPU上，LocateAnything 默认使用 Hybrid Mode 能达到每秒12.7个框（Boxes Per Second）。作为对比，Qwen3-VL 只有1.1 BPS，而 Rex-Omni 是5.0 BPS。差距非常明显。

而在高精度任务上，LocateAnything 也表现得毫不含糊。在 LVIS 数据集的 IoU=0.95 严格标准下，得分31.1，远高于 Rex-Omni 的20.7。在 ScreenSpot-Pro 上平均 F1 达到60.3， DocLayNet 和 M6Doc 两个文档理解任务上也分别拿到了76.8和70.1的成绩。

总之，这个模型把“快”和“准”结合得相当紧密，值得关注。