nvidia/LocateAnything-3B
LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding 🔗 Quick Links 🚀 Online Demo: LocateAnything (Hugging Face Spaces)(https://huggingface.co/spaces/nvidia/LocateAnything) 💻 GitHub Code: NVlabs/Eagle/Embodied...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Ngày
#1 Repository Của Ngày
#1 Repository Của Ngày
🎯 LocateAnything-3B: Định vị bất kỳ thứ gì trong một bước, không cần từng ký tự
Một mô hình định vị đa phương tiện từ NVIDIA, dùng Parallel Box Decoding để dự đoán toạ độ hộp giới hạn nhanh và chính xác.
LocateAnything-3B là một mô hình ngôn ngữ-thị giác (vision-language) phát triển bởi nhóm nghiên cứu NVIDIA, thiết kế để thực hiện định vị đối tượng nhanh và chất lượng cao từ mô tả ngôn ngữ tự nhiên. Dự án dựa trên khung mã nguồn EAGLE và sử dụng kiến trúc Qwen2.5-3B-Instruct kết hợp với bộ mã hóa thị giác MoonViT-SO-400M.
✨ Điểm nổi bật
- Parallel Box Decoding (PBD): Dự đoán toàn bộ tọa độ hộp giới hạn trong một bước xử lý song song, thay thế giải mã từng token truyền thống.
- Hiệu suất cao: Tăng thông lượng lên tới 2.5x so với các phương pháp tiếp cận trước đây.
- Hỗ trợ đa dạng tác vụ: Bao gồm định vị biểu thức tham chiếu, phát hiện đa đối tượng, định vị phần tử GUI, và định vị văn bản.
- Bộ dữ liệu lớn: Huấn luyện trên 12 triệu hình ảnh, hơn 138 triệu câu truy vấn, và 785 triệu hộp giới hạn từ nhiều miền khác nhau.
- Ứng dụng đa lĩnh vực: Từ robot, tự hành, đến hiểu thị giác tài liệu và giám sát công nghiệp.
- Tích hợp vào sản phẩm thương mại: Là nền tảng cho các mô hình thị giác ngôn ngữ tiên phong của NVIDIA như Nemotron 3 Nano Omni.
💡 Vì sao đáng chú ý
Không giống các mô hình định vị truyền thống cần giải mã từng ký tự một, LocateAnything-3B sử dụng Parallel Box Decoding để dự đoán hộp giới hạn hoàn chỉnh trong một bước duy nhất. Điều này không chỉ cải thiện tốc độ mà còn duy trì tính nhất quán hình học. Mô hình được huấn luyện trên một bộ dữ liệu đa dạng quy mô lớn, giúp nó vượt trội ở cả các cảnh quan tự nhiên lẫn môi trường phức tạp như robot công nghiệp hoặc giao thông đường bộ.
#AI #VisionLanguage #ObjectDetection #NVIDIA #Grounding #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
📰 Tech Blog | 📄 Full Report 1. Model Introduction Kimi K3 is an open-weight, native multimodal agentic model and our most capable model to date. It is a 2.8T-parameter model built on Kimi Delta Attention (K...
Unlimited OCR Works Welcome the Era of One-shot Long-horizon Parsing. Release - 2026/06/23 📄 Our paper is now available on arXiv(https://arxiv.org/abs/2606.23050). - 2026/06/23 🤝 Thanks to the ModelScope community for their support. Our model is n...
LocateAnything-3B - GGUF - Model creator: NVIDIA(https://huggingface.co/nvidia) - Original model: nvidia/LocateAnything-3B(https://huggingface.co/nvidia/LocateAnything-3B) GGUF conversions of NVIDIA's LocateAnything-3B (MoonViT-SO-400M vision tower...
Qwen3.8-27B !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc. !Tip F...
Qwen3.8-Flash-Next !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc....
Hugging Face | GitHub | Launch Blog | Documentation License: Apache 2.0 | Authors: Google DeepMind Gemma is a family of open models built by Google DeepMind. Gemma 4 models are multimodal, handling text and image input (with audio supported on small...
DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression Technical Report 👁️ Introduction We introduce DeepSeek-V4.1-Flash, a multimodal Mixture-of-Experts (MoE) model with 552B backbone parameters and support for contexts of up to one milli...
📰 Tech Blog | 📄 Paper 0. Changelog - 2026.1.29: - The default system prompt might cause confusion to users and unexpected behaviours, so we remove it. - The token is incorrect; it has bee...
all-MiniLM-L6-v2 This is a sentence-transformers(https://www.SBERT.net) model: It maps sentences & paragraphs to a 384 dimensional dense vector space and can be used for tasks like clustering or semantic search. Usage (Sentence-Transformers) Using t...