英伟达 LocateAnything：AI"看图找东西"慢，这个开源视觉定位模型把它提速了 10 倍

现在的 AI 会聊天、会写代码、会画图，可有一件听起来很基础的事，它一直做得又慢又勉强：在一张图里，准确指出某样东西到底在哪。 这类任务在学术上叫"视觉定位"（visual grounding）。

这件事看着简单，却是机器人和"能帮你操作手机电脑的 AI"最容易卡住的地方。机器人要抓一个杯子，得先知道杯子在画面里的精确位置；AI 帮你点外卖，得先在截图里找到"立即下单"那个按钮。定位慢，整个动作就跟着卡。

LocateAnything 到底能做什么

视觉定位模型 LocateAnything 干的就是这件事：你给它一张图，再用一句话说出要找什么，它就把对应的位置用方框标出来。

它认的东西很杂：现实里的物体、手机屏幕上的按钮和图标、图片里的文字，都能定位。一个模型，把过去要好几个工具才能完成的活儿接了下来。

为什么能快这么多

关键在一个叫并行框解码的思路。

过去的 AI 报一个框的位置，像念身份证号一样，把四个坐标数字一个一个地念出来，慢，而且容易念错。LocateAnything 改成把一整个框当成一口气说完的整体，四个坐标同时给出。

它还准备了三种模式：追求速度的快速模式、追求精度的慢速模式，以及平时走快速、遇到难题自动切回慢速的混合模式。

成绩单

为了训练这个视觉定位模型，团队攒了一个超大数据集：1200 万张图片、1.38 亿条文字描述、7.85 亿个标注框。

速度上，同样一张 H100 显卡，它每秒能处理 12.7 个框，而拿来对照的两个同类模型，分别只有 1.1 个和 5.0 个。在最严格的定位精度评测里，它的得分也比对手高出一大截。

更要紧的是，这个模型已经公开放在网上，任何人都能免费下载使用。 对做机器人、做手机自动化工具的开发者来说，让 AI"看得快、指得准"的门槛，又降了一大截。