¿Qué es LocateAnything-3B?
NVIDIA publicó LocateAnything-3B el 26 de mayo de 2026 dentro de su familia de visión y lenguaje Eagle. Le das una imagen y una frase, como "cada carretilla elevadora" o "el botón Guardar", y devuelve cajas delimitadoras o puntos. Cubre detección de objetos de vocabulario abierto, expresiones referenciales, escenas abarrotadas, elementos de interfaz, maquetación de documentos y localización de texto.
Combina el codificador visual MoonViT-SO-400M de Moonshot con Qwen2.5-3B-Instruct. Su idea principal, Parallel Box Decoding, predice las cuatro coordenadas de cada caja en un solo paso en lugar de token a token. Se entrenó con 12 millones de imágenes, unos 138 millones de consultas y 785 millones de cajas. NVIDIA dice que este trabajo también se incorporó a Nemotron 3 Nano Omni y Cosmos.
Los pesos usan la NVIDIA License solo para investigación académica y sin ánimo de lucro; el uso comercial no está permitido.
¿Merece la pena LocateAnything-3B?
LocateAnything-3B es el más rápido de los modelos abiertos de localización con los que NVIDIA lo compara, y su velocidad viene de un cambio de diseño real, no de unos pesos más pequeños. En una H100, NVIDIA mide 12,7 cajas por segundo frente a 5,0 de Rex-Omni y 1,1 de Qwen3-VL, las diferencias de 2,5x y 10x que anuncia. La ventaja crece con la densidad, de 2x a 6x cuando el número de objetos pasa de 20 a 300.
La precisión también aguanta, según las pruebas de la propia NVIDIA. Obtiene 60,3 de F1 medio en ScreenSpot-Pro, un benchmark para encontrar botones en pantallas de software profesional, y supera a Rex-Omni en LVIS con el umbral de solapamiento más estricto, 31,1 frente a 20,7. En maquetación de documentos le saca 6,1 puntos en DocLayNet y 14,5 en M6Doc. Ninguna tabla independiente ha repetido aún estos resultados.
La licencia decide la mayoría de casos. NVIDIA solo permite investigación académica y sin ánimo de lucro, y el modelo de lenguaje interno lleva además la licencia de investigación de Qwen. Una start-up de robótica o un proveedor de etiquetado puede evaluarlo pero no meterlo en un producto; SAM 3 de Meta, que también encuentra objetos a partir de texto, permite el uso comercial con su propia licencia.
Ejecutarlo es fácil para un modelo de 3B. La prueba de NVIDIA con una escena urbana en 4K en una A100 tardó unos 8 segundos para un lote de cuatro con 11,71GB de memoria máxima usando su backend FlashAttention, frente a 35,12GB con atención estándar. Funciona con Transformers y código remoto en Linux; TensorRT y Triton aún no están soportados. Se descargó 204.296 veces el último mes.
Dónde se gana su sitio
Un laboratorio universitario de robótica
Encontrar objetos nombrados en una instrucción, como "la taza roja a la izquierda del fregadero", lo bastante rápido para el bucle de un robot
Usa el modo Hybrid en una GPU de estación de trabajo. Con unas 12 cajas por segundo en una H100 sigue el ritmo de escenas abarrotadas, y la investigación es justo lo que permite la licencia.
Una organización sin ánimo de lucro que crea un agente de accesibilidad para software de escritorio
Localizar el botón o campo correcto en pantalla a partir de una petición hablada
Su 60,3 de F1 medio en ScreenSpot-Pro es el motivo para probarlo; combínalo con un modelo de lenguaje que decida dónde hacer clic. Convertirlo en un producto de pago exigiría otro modelo.
Un doctorando en visión por computador
Etiquetar automáticamente un nuevo conjunto de detección antes de la revisión humana
La inferencia por lotes con el backend la_flash procesa imágenes 4K en unos 12GB. Las etiquetas sirven para la investigación; un servicio comercial de etiquetado no podría usarlas con esta licencia.
Antes de decidirte
- Puesta en marcha
- Instala con pip los paquetes fijados (transformers 4.57.1 y otros), carga con trust_remote_code y usa generation_mode "hybrid" con max_new_tokens 8192; MagiAttention lo acelera en GPU Hopper y Blackwell.
- Integraciones
- Hugging Face Transformers con código remoto, un script de inferencia por lotes y la demo de NVIDIA en un Space de Hugging Face. TensorRT, TensorRT-LLM y Triton aún no están soportados.
- Datos y privacidad
- Autoalojado, las imágenes se quedan en local. NVIDIA License: solo investigación académica y sin ánimo de lucro, sin uso comercial; construido sobre Qwen2.5-3B-Instruct con la Qwen Research License y MoonViT con MIT.
- Coste a escala
- Gratis para investigación; cabe en una GPU de 24GB o más. El despliegue comercial no tiene licencia a ningún precio publicado por NVIDIA.
- Límites
- Imágenes de hasta unos 2,5K en producción, prompts de hasta 24K tokens, hasta 8.192 tokens nuevos por respuesta; solo Linux; cifras de benchmark autodeclaradas.
Lo bueno
- 12,7 cajas por segundo en una H100, 2,5 veces Rex-Omni
- 60,3 de F1 medio en ScreenSpot-Pro para localizar elementos de interfaz
- Cajas y puntos para objetos, texto, maquetación y elementos de pantalla en un solo modelo
- Unos 12GB de memoria máxima con una imagen 4K usando FlashAttention
Lo malo
- Solo investigación académica y sin ánimo de lucro; sin uso comercial
- Los benchmarks son de NVIDIA, no repetidos de forma independiente
- Solo Linux y Transformers; sin soporte de TensorRT ni Triton
- Devuelve cajas y puntos, no máscaras
Ideal para
Laboratorios universitarios y entidades sin ánimo de lucro que necesitan detección de vocabulario abierto rápida o localización en interfaces para investigar.
Alternativas a LocateAnything-3B
LocateAnything-3B: preguntas frecuentes
- ¿Merece la pena LocateAnything-3B?
- LocateAnything-3B encuentra cosas en las imágenes más rápido que los modelos abiertos con los que NVIDIA lo comparó, y NVIDIA no te deja llevarlo a producción. Le damos un 3.8 sobre 5.
- ¿Cuánto cuesta LocateAnything-3B?
- Pesos gratuitos para investigación académica y sin ánimo de lucro; uso comercial no permitido. Sin API alojada.
- ¿Qué inconvenientes tiene LocateAnything-3B?
- Solo investigación académica y sin ánimo de lucro; sin uso comercial; los benchmarks son de NVIDIA, no repetidos de forma independiente; solo Linux y Transformers; sin soporte de TensorRT ni Triton; devuelve cajas y puntos, no máscaras.
- ¿Para quién es LocateAnything-3B?
- Laboratorios universitarios y entidades sin ánimo de lucro que necesitan detección de vocabulario abierto rápida o localización en interfaces para investigar.
- ¿Cuánto cuesta LocateAnything-3B para un equipo o en producción?
- Gratis para investigación; cabe en una GPU de 24GB o más. El despliegue comercial no tiene licencia a ningún precio publicado por NVIDIA.
- ¿Es LocateAnything-3B seguro para los datos de la empresa?
- Autoalojado, las imágenes se quedan en local. NVIDIA License: solo investigación académica y sin ánimo de lucro, sin uso comercial; construido sobre Qwen2.5-3B-Instruct con la Qwen Research License y MoonViT con MIT.
- ¿Cuáles son las mejores alternativas a LocateAnything-3B?
- Las alternativas más cercanas que hemos analizado son SAM 3 (Segment Anything Model 3), Nemotron 3.5 Super VL y MiniCPM-V 4.7 (35B-A3B and 1B).
Respuestas comprobadas el 7 nov 2026.