NVIDIA开源3B视觉定位模型,号称比Qwen3-VL快10倍
Dan_Jeffries1 · x · 2026-09-30
NVIDIA 发布了一个 3B 参数的开源视觉语言模型,主打实时、高质量的视觉定位(visual grounding)。要点:
- 采用并行框解码(parallel box decoding),官方称速度比 Qwen3-VL 快 10 倍
- 训练数据规模:1.38 亿条查询、7.85 亿个框
- 支持 GUI 理解、OCR、文档版面分析与密集检测
- 定位场景包括 computer-use agent 和 Physical AI
模型已开源,适合需要快速定位屏幕元素或文档结构的 agent 类应用。
「编程与Agent」频道最新
- 通用 API 目录 MCP 服务器实测:3 个工具换来永不膨胀的上下文 — MandeepKaur9407 · 2026-11-16
- UC Berkeley 论文揭示 LLM「过期绑定」:新值在上下文中仍答旧值 — ombre-ai · 2026-11-16
- Effective HTML 走红 GitHub:4.2k 星的 agent 技能集,线框图秒变可交互原型 — tom_doerr · 2026-11-16
- skills-gate:一个门面 skill 管住所有 agent skills,148 个技能仅耗 389 token — Distinct-Pie2389 · 2026-11-16
- 开源 Karpo-Decision-31B 单次前向出概率,登顶 Decision Index 超越 Gemini — CodeByPoonam · 2026-11-16
- shadcn 转评 UI 生成工具:一周工作量一键复现且可直接跑 AI 测试 — shadcn · 2026-11-16