NVIDIA 推出 LocateAnything,并行解码让视觉定位快至 12.7 框/秒
thisguyknowsai · x · 2026-09-10
- 核心问题:现有 VLM 把边界框拆成 4 个坐标 token(x1,y1,x2,y2)逐个顺序生成,这是 grounding 模型慢的根本原因,几何信息被拆散成一维 token。
- 方案:NVIDIA 发布 LocateAnything,采用 Parallel Box Decoding——把整个框当作原子单元,单次前向传播预测全部 4 个坐标。
- 架构:基于 Moon-ViT 视觉编码器 + Qwen2.5 解码器;提供 Fast Mode 提速,以及遇格式异常或空间歧义时自动回退的 Slow Mode,兼顾速度与可靠性。
- 性能:单张 H100 上达到每秒 12.7 个框的检测速度。
「模型」频道最新
- Ruff 作者感叹:前沿模型能在任何软件里找到无穷多 bug — charliermarsh · 2026-10-26
- 开发者实测同一 skill 跨 Opus 5.5 与 Sol 6.1:指令遵循表现参差 — lucasmeijer · 2026-10-26
- supermemory 发布 learner-1：面向任意模型的持续学习方案 — julianweisser · 2026-10-26
- Anthropic 称 Opus 5.5 单任务成本较 Opus 5 降约 40% — taufiqintech · 2026-10-26
- 27 家 AI 搜索接口横评:前 12 名只差 7 分,价格却差近 7 倍 — FinanceYF5 · 2026-10-26
- 现场幻灯片:OpenAI Dots 数周内登陆 EU/EEA 和英国 — testingcatalog · 2026-10-26