LocateAnything-3Bとは？
LocateAnything-3Bは、NVIDIAが2026年5月26日に視覚言語モデルEagleファミリーの一部として公開しました。画像と「すべてのフォークリフト」「保存ボタン」のようなフレーズを与えると、バウンディングボックスか点を返します。オープン語彙の物体検出、参照表現、混雑したシーン、GUI要素、文書レイアウト、テキスト位置特定に対応します。
Moonshotの視覚エンコーダーMoonViT-SO-400MとQwen2.5-3B-Instructを組み合わせています。中心となるParallel Box Decodingは、各ボックスの4つの座標をトークンごとではなく1ステップで予測します。学習には1,200万（12 million）枚の画像、約1億3,800万（138 million）件のクエリ、7億8,500万（785 million）個のボックスを使いました。NVIDIAによると、この成果はNemotron 3 Nano OmniとCosmosにも取り入れられています。
重みはNVIDIA Licenseで、学術・非営利の研究に限られ、商用利用は認められていません。
LocateAnything-3Bは使う価値があるか？
LocateAnything-3Bは、NVIDIAが比較したオープンなグラウンディングモデルの中で最速で、その速さは重みを小さくしたからではなく、設計の変更によるものです。H100 1基でNVIDIAは毎秒12.7ボックスを計測し、Rex-Omniの5.0、Qwen3-VLの1.1を上回ります。これが宣伝されている2.5x と10xの差です。物体の数が20から300に増えると、差は2xから6xに広がります。
精度もNVIDIA自身のテストでは十分です。プロ向けソフトウェア画面でボタンを探すベンチマークScreenSpot-Proで平均F1 60.3を記録し、LVISでは最も厳しい重なり基準でRex-Omniを31.1対20.7で上回ります。文書レイアウトではDocLayNetで6.1ポイント、M6Docで14.5ポイント上です。これらの結果を独立したランキングで再現したものはまだありません。
ほとんどの場合、ライセンスで判断が決まります。NVIDIAが認めるのは学術・非営利の研究だけで、内部の言語モデルにはQwenの研究ライセンスも付いています。ロボティクスのスタートアップやラベリング事業者は評価はできても製品には組み込めません。テキストから物体を見つけるMetaのSAM 3は、独自のライセンスで商用利用を認めています。
3Bモデルなので動かすのは簡単です。A100での4K街頭シーンのNVIDIAのテストでは、4枚のバッチに約8秒かかり、FlashAttentionバックエンドでのピークメモリは11.71GB、標準のアテンションでは35.12GBでした。Linux上のTransformersでリモートコードとして動き、TensorRTとTritonはまだ対応していません。先月のダウンロード数は204,296回です。
真価を発揮する場面
大学のロボティクス研究室
「シンクの左の赤いマグ」のような指示に出てくる物体を、ロボットの制御ループに間に合う速さで見つける
ワークス テーションのGPU 1基でHybridモードを使います。H100で毎秒約12ボックスなので混雑したシーンにも追いつき、研究はまさにライセンスが認める用途です。
デスクトップソフト向けアクセシビリティエージェントを作る非営利団体
音声での依頼から画面上の正しいボタンや入力欄を探す
試す理由はScreenSpot-Proの平均F1 60.3です。どこをクリックするかを決める言語モデルと組み合わせます。有料製品にするなら別のモデルが必要です。
コンピュータビジョンの博士課程の学生
人による確認の前に新しい検出データセットに自動でラベルを付ける
la_flashバックエンドでのバッチ推論なら4K画像を約12GBで処理できます。ラベルは研究に使えますが、商用のラベリングサービスはこのライセンスでは使えません。
導入前に確認すること
- 導入
- 固定バージョンのパッケージ（transformers 4.57.1など）をpipで入れ、trust_remote_codeで読み込み、generation_mode "hybrid"とmax_new_tokens 8192を使います。HopperとBlackwellのGPUではMagiAttentionで高速化できます。
- 連携
- リモートコードを使うHugging Face Transformers、バッチ推論スクリプト、Hugging Face SpaceのNVIDIAデモ。TensorRT、TensorRT-LLM、Tritonは未対応。
- データとプライバシー
- セルフホストなので画像はローカルに留まります。NVIDIA License：学術・非営利の研究のみ、商用利用不可。Qwen Research LicenseのQwen2.5-3B-InstructとMITのMoonViTをベースにしています。
- 大規模利用時のコスト
- 研究用なら無料で、24GB以上のGPU 1基に収まります。商用展開については、NVIDIAが公表するどの価格でもライセンスされていません。
- 制限
- 本番利用での画像は約2.5Kまで、プロンプトは24Kトークンまで、1回答の新規トークンは8,192まで。Linuxのみ。ベンチマークは自己申告。
良い点
- H100 1基で毎秒12.7ボックス、Rex-Omniの2.5倍
- GUIグラウンディングでScreenSpot-Pro平均F1 60.3
- 物体、テキスト、レイアウト、画面要素のボックスと点を1つのモデルで
- FlashAttention経路で4K画像のピークメモリ約12GB
気になる点
- 学術・非営利の研究のみ、商用利用不可
- ベンチマークはNVIDIA自身のもので独立した再現なし
- LinuxとTransformersのみ、TensorRTやTritonは非対応
- 出力はボックスと点で、マスクではない
おすすめの人
研究用に高速なオープン語彙検出やGUIグラウンディングが必要な大学や非営利の研究室。
LocateAnything-3Bの代替
LocateAnything-3B：よくある質問
- LocateAnything-3Bは使う価値があるか？
- LocateAnything-3Bは、NVIDIAが比較したオープンモデルより速く画像の中の物を見つけますが、NVIDIAは製品への組み込みを認めていません。 評価は5点満点中3.8点です。
- LocateAnything-3Bの料金は？
- 重みは学術・非営利の研究なら無料。商用利用は不可。ホスト型APIなし。
- LocateAnything-3Bの欠点は？
- 学術・非営利の研究のみ、商用利用不可; ベンチマークはNVIDIA自身のもので独立した再現なし; LinuxとTransformersのみ、TensorRTやTritonは非対応; 出力はボックスと点で、マスクではな い.
- LocateAnything-3Bは誰に向いているか？
- 研究用に高速なオープン語彙検出やGUIグラウンディングが必要な大学や非営利の研究室。
- チームや本番環境でLocateAnything-3Bを使うと費用はいくらか？
- 研究用なら無料で、24GB以上のGPU 1基に収まります。商用展開については、NVIDIAが公表するどの価格でもライセンスされていません。
- LocateAnything-3Bは企業データを扱っても安全か？
- セルフホストなので画像はローカルに留まります。NVIDIA License：学術・非営利の研究のみ、商用利用不可。Qwen Research LicenseのQwen2.5-3B-InstructとMITのMoonViTをベースにしています。
- LocateAnything-3Bの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はSAM 3 (Segment Anything Model 3), Nemotron 3.5 Super VL 、 MiniCPM-V 4.7 (35B-A3B and 1B)です。
回答確認日：2026年11月7日