NVIDIA libera código-fonte do modelo de localização visual LocateAnything-3B
NVIDIA libera código-fonte do modelo de localização visual LocateAnything-3B
A NVIDIA disponibilizou o código aberto do LocateAnything-3B, um modelo de localização visual capaz de identificar objetos com precisão em cenas densas.
NVIDIA liberou o código-fonte do modelo de localização visual LocateAnything-3B.
O modelo consegue localizar objetos mesmo em cenas muito densas. Por exemplo, em uma imagem com dezenas de minions próximos uns dos outros, ele destaca corretamente cada um com uma caixa delimitadora separada.
A principal diferença em relação à maioria dos modelos existentes é o método de geração das caixas delimitadoras. Normalmente, as coordenadas (x1, y1, x2, y2) são previstas sequencialmente, o que desacelera o processo e faz com que erros nas etapas iniciais afetem as coordenadas subsequentes, especialmente quando há muitos objetos.
O LocateAnything-3B emprega decodificação paralela: o modelo prevê caixas delimitadoras completas de uma só vez, em vez de construí-las passo a passo. Isso torna a detecção mais estável, particularmente em cenas com grande número de objetos.
O modelo possui 3 bilhões de parâmetros e é distribuído com código aberto. 💜
Por que isso importa
AnáliseEste modelo pode melhorar significativamente a precisão da localização visual em cenas complexas, sendo crucial para o desenvolvimento de novas aplicações de IA na área de visão computacional.
Debater na comunidade
Compartilhe suas dúvidas e insights com desenvolvedores
Relacionado no ecossistema
Guias práticos, terminologia essencial e skills de agentes
Modelos de Linguagem Visual (Vision Language Models / VLM)
Modelos multimodais que combinam a capacidade de perceber imagens visuais (através da segmentação em patches) com a inteligência textual dos LLMs. Permitem reconhecer objetos em fotos, analisar gráficos complexos, ler recibos e compreender interfaces.
50 estilos de design visual: guia fundamental para sistemas de design, UI/UX e direção de arte
Dicionário visual completo com 50 estilos de design: análise de estética, paletas de cores, pares tipográficos, regras para sistemas de design e controle preciso de IA.
Jev e System One AI: guia prático completo sobre o modelo de decisão da TypeSafe
Análise técnica aprofundada do modelo principal Jev: arquitetura System One versus LLM, primitivos Choice/Score/Noul, paralelismo de requisições, matemática da confiança, casos de vídeo, código e visão geral de alternativas open-weight locais (Laya, GLiNER2.5, CLM-8B).
Modelo de Decisão Jev
Jev — modelo System 1 comercial não-autorregressivo da TypeSafe AI para decisões tipadas rápidas em ciclos agênticos: retorna um objeto de decisão validado em 70–500 ms e ~$0,042/1M tokens de entrada, eliminando alucinações de sintaxe JSON e roteamento de alta latência em stacks ReAct/Tool Calling.