来自 NVIDIA 的新作，LocateAnything-3B，主打视觉语言定位。说实话，看到「3B」这数字我第一反应：能有多能打？结果一看介绍，直接破防了。
它搞了个叫 Parallel Box Decoding 的东西，说白了就是：不再一个 token 一个 token 地憋坐标，而是整框并行预测。就像从「手写快递单」进化到「一键批量打印」------ 吞吐量上去了，几何一致性还不崩。不管是开放目标检测、OCR 文字定位，还是 GUI 元素捡取、自动驾驶场景，都能稳定输出。
Hybrid 模式可以达到 12.7 框每秒，比传统自回归方法快了整整一个数量级。而且它支持从图像到视频的全域定位，甚至能处理指代表达式------你直接说「那个红色的按钮」，它就给你框出来。
如果你也被「定位慢」「坐标不准」「每次调参像开盲盒」折磨过，不妨试试 LocateAnything-3B。终于不用再对着漫天乱飞的框线怀疑人生了。
教程链接： https://go.openbayes.com/eptce
使用云平台: OpenBayes http://openbayes.com/console/signup?r=sony_0m6v 首先点击「公共教程」，找到「LocateAnything-3B：视觉语言定位模型」，单击打开。
页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。
在当前页面中看到的算力资源均可以在平台一键选择使用。平台会默认选配好原教程所使用的算力资源、镜像版本，不需要再进行手动选择。点击「继续执行」，等待分配资源。
若显示「Bad Gateway」，这表示模型正在加载中，请等待约 2-3 分钟后刷新页面即可；若显示「运行中」，点击「打开工作空间」。
使用步骤如下：
1.页面跳转后，点击左侧 README.ipynb 文件，依据指示输入 API 网址，点击上方「运行」。
2.运行完成，即可点击右侧 API 地址跳转至 demo 页面。
