NVIDIA lanza el código fuente del modelo de localización visual LocateAnything-3B.
NVIDIA lanza el código fuente del modelo de localización visual LocateAnything-3B.
NVIDIA ha presentado el código abierto para el modelo de localización visual LocateAnything-3B, capaz de identificar objetos de manera efectiva en escenas densas.
NVIDIA ha lanzado el código fuente del modelo de localización visual LocateAnything-3B.
El modelo puede localizar objetos incluso en escenas muy densas. Por ejemplo, en una imagen con docenas de minions de pie cerca uno del otro, destaca correctamente a cada uno con un cuadro delimitador separado.
La principal diferencia con la mayoría de los modelos existentes es el método de generación de cuadros delimitadores. Normalmente, las coordenadas (x1, y1, x2, y2) se predicen secuencialmente, lo que ralentiza el proceso, y los errores en las etapas iniciales pueden afectar a las coordenadas posteriores, especialmente cuando hay muchos objetos.
LocateAnything-3B utiliza decodificación paralela: el modelo predice cuadros delimitadores completos de una vez en lugar de construirlos paso a paso. Esto hace que la detección sea más estable, particularmente en escenas con un gran número de objetos.
El modelo contiene 3 mil millones de parámetros y se distribuye con código fuente abierta. 💜
Por qué es importante
AnálisisEste modelo puede mejorar significativamente la precisión de la localización visual en escenas complejas, lo cual es crucial para desarrollar nuevas aplicaciones de IA en el campo de la visión por computadora.
Debatir en la comunidad
Comparte tus preguntas e ideas con desarrolladores
Relacionado en el ecosistema
Guías prácticas, terminología y skills de agentes
Modelos de Lenguaje Visual (Vision Language Models / VLM)
Modelos multimodales que combinan la capacidad de percibir imágenes visuales (a través de la segmentación en parches) con la inteligencia textual de LLM. Permiten reconocer objetos en fotos, analizar gráficos complejos, leer recibos y entender interfaces.
IA Como Revisor de Código (Detección de Errores Antes del Lanzamiento)
Metodología para utilizar modelos de lenguaje como un estricto ingeniero senior para la auditoría automática del código (Code Review). Detecta vulnerabilidades ocultas, fugas de memoria y errores arquitectónicos antes del lanzamiento del programa.
Tencent lanza Hy4: un modelo con pesos abiertos que desafía a DeepSeek
Tencent presentó Hy4, un modelo multimodal que obtuvo 75,2 puntos en APEX-Agents en pruebas internas, por delante de DeepSeek V4.1 Flash-1017. La empresa planea publicar los pesos.
50 estilos de diseño visual: guía fundamental para sistemas de diseño, UI/UX y dirección de arte
Un diccionario visual completo de 50 estilos de diseño: análisis estético, paletas de color, combinaciones tipográficas, reglas para sistemas de diseño y control preciso de IA.