英伟达联合香港理工大学、南京大学等科研机构，共同推出了一款名为LocateAnything的新型视觉语言检测模型。该模型专注于实现高速、高精度的对象检测，能够在照片或截图中快速定位指定对象，并通过检测框精确标注其位置。这一技术突破为机器人感知、电脑自动操作等需要实时定位的场景提供了强有力的支持。
传统视觉模型在处理即时交互任务时，往往面临速度与精度的平衡难题。LocateAnything通过重新设计检测框预测机制，将视觉语言检测的响应速度提升至新水平。其核心创新在于并行框解码技术，将边界框或点作为固定长度原子单元，仅需单步即可完成坐标预测，显著降低了计算延迟。
为满足不同场景需求，模型开发了三种运行模式：Fast Mode针对端侧机器人和具身智能设备优化，通过牺牲少量精度换取更高吞吐量；Slow Mode侧重离线标注和高精度评测任务，确保数据处理的绝对准确性；Hybrid Mode作为默认选项，在常规情况下快速输出结果，遇到格式异常或空间歧义时自动切换至自回归解码，实现效率与精度的动态平衡。
研究团队同步构建了包含1200万独立图像、1.38亿语言查询和7.85亿边界框的LocateAnything-Data数据集。该数据集覆盖通用检测、GUI元素定位、指代表达理解、OCR文字定位、版面分析和点定位六大领域，为模型训练提供了丰富的场景支持。通过这种多维度数据训练，模型展现出强大的泛化能力，能够适应不同领域的定位需求。
在性能测试中，LocateAnything展现出显著优势。基于单张NVIDIA H100 GPU的Hybrid Mode下，模型达到每秒12.7个检测框的处理速度，远超Qwen3-VL的1.1 BPS和Rex-Omni的5.0 BPS。在高精度任务中，模型在LVIS数据集IoU=0.95标准下取得31.1分，ScreenSpot-Pro平均F1值达60.3，DocLayNet和M6Doc分别获得76.8与70.1的优异成绩，各项指标均领先同类模型。
这项技术突破为实时交互系统提供了新的解决方案。在工业自动化领域，机器人可通过快速定位实现更精准的操作；在智能办公场景中，系统能够自动识别文档中的关键信息；在辅助技术方面，模型可帮助视障用户快速定位界面元素。随着技术不断完善，LocateAnything有望推动人机交互方式向更自然、高效的方向发展。
