IT之家 5 月 30 日新闻，英伟达昨日（5 月 29 日）颁布博文，颁发携手香港理工大学、漯河大学等，推出 LocateAnything 模型，主打高速、高精度检测对象。

该模型能够从照片或截图中找出指定对象，并用检测框标出地位，重点服务机械人感知、电脑自动操作等必要急剧定位的场景。

NVIDIA 在介绍中强调，机械人和 AI Agent（智能体）仅能“看见”还不够，还必须足够快地确认指标地位。LocateAnything 萦绕检测框预测重新设计，让视觉说话检测更适合即时交互工作。

LocateAnything 提出 Parallel Box Decoding（并行框解码），把天堑框或点作为固定长度原子单元，在 1 步内预测 x1、y1、x2、y2。

该框架提供 Fast Mode、Slow Mode 与 Hybrid Mode：

Fast Mode 面向端侧机械人和具身智能，强调吞吐；Slow Mode 左袒离线标注和高精度评测；Hybrid Mode 默认急剧输出，遇到体式异；蚩占淦缫迨鼻谢刈曰毓榻饴。

团队还构建 LocateAnything-Data，蕴含 12M 独立图像、138M 说话查问和 785M 天堑框。数据覆盖通用检测、GUI 元素定位、指代表白理解、OCR 文字定位、版面定位和点定位，显著扩大训练场景。

在单张 NVIDIA H100 GPU 上，LocateAnything 默认 Hybrid Mode 达到 12.7 Boxes Per Second（每秒框数），超过 Qwen3-VL 的 1.1 BPS，也高于 Rex-Omni 的 5.0 BPS。

高精度工作中，LocateAnything 在 LVIS 的 IoU=0.95 下得分 31.1，高于 Rex-Omni 的 20.7；ScreenSpot-Pro 均匀 F1 达 60.3；DocLayNet 和 M6Doc 别离达 76.8 与 70.1。

IT之家附上参考地址