英伟达 5 月 29 日发布博文，宣布携手香港理工大学、南京大学等，推出 LocateAnything 模型，主打高速、高精度检测对象。

该模型可以从照片或截图中找出指定对象，并用检测框标出位置，重点服务机器人感知、电脑自动操作等需要快速定位的场景。

NVIDIA 在介绍中强调，机器人和 AI Agent（智能体）仅能「看见」还不够，还必须足够快地确认目标位置。LocateAnything 围绕检测框预测重新设计，让视觉语言检测更适合即时交互任务。

团队还构建 LocateAnything-Data，包含 12M 独立图像、138M 语言查询和 785M 边界框。数据覆盖通用检测、GUI 元素定位、指代表达理解、OCR 文字定位、版面定位和点定位，显著扩展训练场景。（来源：IT 之家）