5月29日，英伟达宣布与香港理工大学、南京大学合作，推出了一款名为LocateAnything的模型。该模型能够从照片或截图中高速、高精度地检测并标记出指定对象，主要服务于机器人感知和电脑自动操作等需要快速定位的场景。

LocateAnything模型通过ParallelBoxDecoding技术，将边界框或点作为固定长度的原子单元，在一步内预测出x1、y1、x2、y2等坐标值。模型提供了三种模式：FastMode、SlowMode和HybridMode，分别适用于不同的应用场景，如端侧机器人、离线标注和高精度评测等。此外，团队还构建了LocateAnything-Data数据集，包含12M独立图像、138M语言查询和785M边界框，覆盖了多种训练场景。

在性能方面，LocateAnything在单张NVIDIA H100 GPU上，默认HybridMode下达到12.7 Boxes Per Second，超过了Qwen3-VL和Rex-Omni的性能。在高精度任务中，LocateAnything在LVIS的IoU=0.95下得分31.1，高于Rex-Omni的20.7；在ScreenSpot-Pro中平均F1达到60.3；在DocLayNet和M6Doc中分别达到76.8与70.1，显示出其在不同任务中的优越性能。