NVIDIA 刚开源的这个 LocateAnything 模型，真的有点强。🤯 以前那种视觉定位模型，生成坐标是一个数字一个数字往外蹦（像挤牙膏一样），又慢又不稳定。 这个新模型用了“并行边界框解码”，直接一步预测完整坐标，速度快多了，框得也准。 不管是找视频里的物体，还是识别UI界面、OCR文字，它都能搞定。 最关键是模型很小，只有 3B 参数（约7.8GB），消费级显卡也能本地跑！🏠💻 做计算机视觉或者多模态的朋友，这个必须得试试。 项目已开源，手慢无！👇

视频中GitHub🔗

推荐大家在这个网站使用这个大模型：

@VincentLogic 我已经部署了😄，大家随便用吧，前五次免费，注册送 10 块额度👌

@VincentLogic Any idea of it would work for creating a homography of say a dart board

@VincentLogic 這麼強的模型,雖然不到8GB,但是要佈置到端測還是太大了.

端侧不一定要一上来跑满血版。真正有意思的是分层：手机端做低延迟粗定位/候选区域，云端或本地更大模型做复杂理解；或者通过量化、蒸馏、NPU 加速跑轻量版。8GB 听起来大，但对“相机变实时视觉接口”这件事来说，已经很接近可产品化了。

@VincentLogic 3B params, runs on consumer GPUs, predicts full coordinates in one shot. NVIDIA just made visual localization accessible to everyone 👀

没错，被低估的不只是准确率，而是可获得性。 一旦视觉定位能在消费级 GPU 本地跑，很多“Agent 看见屏幕/现实世界并执行动作”的工作流都会更容易做出来。

@VincentLogic Exactly. Agents that can actually see and act on the real world locally is a completely different category of capability.

@VincentLogic 我的pro600blackwell跑了，消耗27g显存

27G 显存还是有点肉疼 😂 但能本地跑已经很关键了。后面如果量化/推理优化跟上，这类视觉定位模型就真能进桌面 Agent 和机器人工作流了。

@VincentLogic That sounds amazing! You can actually try it out right now—HyperAI ( has already launched a live demo for everyone to experience：

@VincentLogic 这玩意儿要是能集成到手机相机里，找东西就不用翻半天了，强迫症狂喜。

对，真正吓人的不是“能框出来”，而是它把视觉定位从「专用模型+复杂后处理」变成了「自然语言任务接口」。 一旦跑到手机端，相机就不只是拍照了，而是实时可编程传感器：找东西、识别状态、导航、质检、AR 交互都能被一句话调用。

@VincentLogic 这模型看着真香🥹本地跑得动太友好了

哈哈是的，3B 能消费级显卡本地跑，这点很香。以后不是所有视觉任务都要上云端大模型，很多‘找东西、框东西、点东西’可以直接在本地解决。