IXThinker·2026-06-02 17:51英偉達開源視覺定位模型 覆蓋檢測OCR等任務
視覺語言模型向智能體與現實任務演進，「準確找到目標在哪」日益關鍵。英偉達開源30億參數LocateAnything，以並行框解碼取代坐標詞元方案，支援開放詞匯檢測、GUI與OCR等定位任務。
定位能力日益關鍵
隨着視覺語言模型向智能體、多模態交互與現實世界任務演進，「看懂圖片」已非終點，準確找到目標位置才是關鍵。開放詞匯檢測、界面操作、文件理解以至自動駕駛環境感知，都對視覺定位能力提出更高要求。
IXThinker 會員內容
呢篇係 Archive 內容。登入即可解鎖全文，仲有成個 15,000+ 篇、每日更新嘅 AI 動態資料庫。
免費登入／註冊解鎖全文 →Google 或電郵地址即可，即刻解鎖。