NVIDIA开源LocateAnything-3B深度解读，比Qwen3-VL快10倍，最强3B视觉定位大模型来了，真的“找对”了吗？

在固定的官方模型、数据快照、推理与评分实现下，LocateAnything-3B 在 RefCOCOg validation 的 4,889 条指代表达上取得88.6071% 的 IoU@0.5 F1。但一张真实测试图比单个数字更有解释力：上图的目标是“带斑点坐垫的扶手椅”，GT 与预测的 IoU 为0.9959。

先看它到底找到了什么

视觉定位不是“图里有没有椅子”的分类题。输入是一句有指向性的描述，输出必须在图上落到正确对象的边界。以下三张都来自本次 4,889 条正式预测，原图未裁剪替换；青绿色框为数据集 GT，橙红色框为模型输出。

图例：GT 框来自 RefCOCOg 标注，预测框来自本次 NVIDIA 官方推理脚本输出。两种框相邻或重叠时，橙红和青绿色边缘会同时可见。

同一张图，换一句话就换一个目标

这是视觉定位和通用目标检测的区别：图像不变，指代改变，模型必须把框移动到新对象。下面是同一张正式测试原图的四条真实查询，点击右侧表达可切换 GT、预测框和对应 IoU。

坐在沙发前的女孩

原始 query:a girl sitting the sofa front of the table is cooldrinks

GT 与预测框 IoU:0.9696

真实记录：以上四组 query、GT、预测框和 IoU 分别对应全量结果的第 432、442、443、446 条（从 0 开始计数）。

好的结果之外，也要看失误

只展示高分样例会让结果失真。下面三个例子同样来自正式评测输出：一个刚好低于 IoU@0.5，两个更明显地暴露了定位模型的常见失误

回到全量成绩：不是只看一条线

IoU 阈值越严，模型还能保住多少分？

官方 F1 逐阈值输出。所有点来自同一份 4,889 条预测，不是随机抽样。

全量 IoU 分布：高分并非偶然

下列分段由合并后的 4,889 条 GT 与预测框坐标直接计算，属于本地分析视图。官方主评分仍以other_metric.py的阈值结果为准。

完整官方阈值谱

这次评测如何完成

01 / 固定输入

锁定模型与数据

模型、评测数据均使用固定 revision。4,889 条查询覆盖 1,300 张 COCO train2014 图像，检查结果为零缺图。

02 / 13 个可恢复分片

逐片推理与校验

前 12 片各 400 条，最后一片 89 条；每片均检查进程结束状态、输出行数和 JSON 可解析性。

03 / 官方脚本评分

原序合并再计算

按数值顺序合并后，逐条核验数据集、任务、图像路径和 GT，4,889 条零错位，再交由 NVIDIA 指标脚本评分。