Nvidia LocateAnything - Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding. (10x faster than Qwen3-VL)
Nvidia가 공개한 고속 비전-언어 그라운딩 모델인 LocateAnything에 대한 소개입니다.
Nvidia의 새로운 LocateAnything 모델에 대해 CPU 구동 성능이 뛰어나다는 긍정적인 반응과 함께, 향후 Qwen 3 모델로의 확장 및 데이터셋 공개를 기대하는 의견들이 주를 이룸.
이거 SFT랑 같이 쓰면 제조 공정의 시각적 품질 관리에 진짜 좋을 듯.
라이선스가 이걸 허용 안 함. 엔비디아 제휴사, 즉 돈 내는 고객이 아닌 이상은 안 됨 :/
좋아 보이네. 수정된 비전 인코더를 쓴 Qwen2.5-VL 파인튜닝 모델인 듯. 이걸 Qwen3.5(혹시 3.6 dense)로 증류할 수 있을지 궁금한데, 아이디어 있는 사람? 아니면 연구진들 보고 있으면 Qwen 3 계열 모델로도 한번 시도해 줘 (Qwen 3.6도 Qwen3-VL 비전 레이어 쓰니까). 아니면 데이터셋이랑 학습 코드 공개해주면 진짜 최고일 듯!
이제 페이지 보니까 데이터셋은 곧 공개 예정(coming-soon™)이라고 되어 있네.
이거 Deepseek의 Thinking이랑 Visual primitive 결합해서 확장할 수 있을까?
괜찮은 모델이네. CPU만으로도 꽤 쓸만함 (~15초).
이거 나 여친 좀 찾아줄 수 있냐?
로컬 UI 자동화랑 비주얼 에이전트 쪽에서 엄청난 진전인 듯. 3B 사이즈에 Qwen3-VL보다 10배 빠르다니 소비자용 하드웨어에서도 실시간으로 돌릴 수 있겠네. Parallel box decoding으로 좌표 출력할 때 autoregressive 병목 현상 피한 거 진짜 똑똑하다. HF 스페이스 돌려서 복잡한 웹 레이아웃은 어떻게 처리하는지 확인해봐야지.
라이선스 보니까 이 모델은 타사 모델 구성 요소를 각 라이선스에 따라 가져와서 만든 거네. 언어 모델: Qwen2.5-3B-Instruct (Qwen 연구 라이선스), 비전 인코더: MoonViT-SO-400M (MIT 라이선스). Qwen을 사용해서 개선된 모델들이야.
NVIDIA가 에이전트 보안을 위한 오픈소스 샌드박스 'OpenShell'을 공개하며 업계 표준화를 주도하고 있습니다.
NVIDIA가 에이전트 보안을 위한 오픈소스 샌드박스 'OpenShell'을 공개하며 업계 표준화를 주도하고 있습니다.
Anthropic의 모델이 그동안 과도하게 사용하던 em dash(—)를 줄이는 등 세밀한 개선을 이뤄낸 것에 대한 사용자들의 긍정적인 반응입니다.
Anthropic의 모델이 그동안 과도하게 사용하던 em dash(—)를 줄이는 등 세밀한 개선을 이뤄낸 것에 대한 사용자들의 긍정적인 반응입니다.
