NVIDIA 推出视觉定位框架 LocateAnything：一句话框出目标，密集检测提速 10 倍

如果你做过视觉数据标注或者机器人视觉，大概体会过让大模型找东西的折磨。你让它找图里某个很隐蔽的小物件，它能看懂你想找什么，但真要把框画出来，速度慢得像在挤牙膏。

大模型视觉定位的底层逻辑一直有点别扭。现有的多模态大模型大多把画框当成写字：把一个二维的框拆成四个坐标数字，然后一个 token 接着一个 token 往外蹦。这种串行吐字不仅打破了坐标之间的几何关联，而且一旦画面里物体密集，模型就得机械地吐成百上千个数字，推理速度直接卡死在生成环节。

NVIDIA 团队公开了一项新研究，推出了统一视觉定位框架 LocateAnything。一句话总结，它把视觉定位和目标检测从逐字挤数字，变成了单步出框，密集检测速度直接拉高了 10 倍。

把画框当成一个原子动作

LocateAnything 的核心思路很干脆：既然一个矩形框在空间里本来就是一个整体，为什么非要拆碎了让语言模型逐个预测？

研究团队提出了并行边界框解码（Parallel Box Decoding，简称 PBD）。在这个机制下，边界框或中心点不再是一串被切开的数字 token，而是作为一个独立的几何原子单元，在单一步骤里直接并行解码完成。这样既保留了框内各个坐标的内在几何关联，又彻底释放了并行计算的能力。

在模型架构上，它采用了 Qwen2.5-3B 搭配 Moon-ViT 的组合，并支持快速模式、慢速模式以及混合模式。面对海量候选目标时，用户可以根据实际算力与延迟要求灵活切换。

除了架构创新，NVIDIA 这次还在数据上砸了重金。团队构建了一个名为 LocateAnything-Data 的超大规模数据集，包含超过 1.38 亿条训练样本，大幅扩充了高精度定位的样本多样性。评测结果显示，LocateAnything 在显著提高吞吐量的前提下，高 IoU（交并比）下的定位精度同样大幅提升。

为什么重要

我们认为，LocateAnything 找准了大模型落地物理世界最尴尬的一个断点。

过去两年里，多模态大模型虽然在看图说话、常识问答上突飞猛进，但一旦要求它精确定位一个像素级别的物体，往往要么算力开销巨大，要么延迟高到无法满足实时交互。工业质检、自动驾驶和具身机器人等场景，根本等不起模型几个坐标几个坐标地慢慢吐。

对开发者和下游行业来说，这个框架带来的价值非常直观。如果输入一句话描述就能秒级框出甚至切出对应物体，且在密集场景下拥有 10 倍的吞吐优势，自动化数据清洗、智能图像检索和具身智能的抓取感知环节，效率都会成倍翻番。配合 3B 级别的轻量级底座，它甚至具备在边缘计算设备上跑起来的潜力。

看起来，NVIDIA 这次是在给下一阶段的具身智能和视觉感知铺路。当几何先验被巧妙塞回生成模型之后，多模态大模型才算真正具备了又快又准看懂现实空间的能力。