/ Модель

Характеристики

Контекст
16 384 токена
Размер весов
7 ГБ
Лицензия
Своя лицензия
Архитектура
locateanything · dense
Базовая модель
LocateAnything-3B
Опубликована
29 мая 2026

LocateAnything-3B-MLX

Изображение и текст → текст3 профессии

Конверсия LocateAnything-3B для MLX позволяет локально находить объекты и области на изображениях по текстовым запросам на компьютерах Apple Silicon.

102скачиваний за 30 дней9лайковвеса обновлены29 мая 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

LocateAnything-3B-MLX — конвертированная и оптимизированная Somesh Choudhary из And AI Platforms версия мультимодальной модели NVIDIA LocateAnything-3B для локального запуска на компьютерах Apple Silicon. Модель с 3 млрд параметров принимает изображение и текстовый запрос и находит соответствующие объекты или области на изображении, в том числе по запросам на естественном языке.

Модель предназначена для обнаружения объектов с открытым словарём и визуальной привязки текста к областям изображения. Она возвращает текстовые метки и координаты областей, нормализованные в диапазоне от 0 до 1000. Конверсия адаптирует обработку изображений к локальным ограничениям памяти; README заявляет ускорение инференса до 20 раз, но не приводит условия измерения. Репозиторий распространяет веса в формате safetensors и предназначен для использования через MLX на Apple Silicon. Лицензия указана как other, её конкретные условия следует уточнить перед использованием.

Сценарии применения

  • поиск объекта на изображении по текстовому описанию
  • определение координат области интереса на фотографии
  • визуальная привязка текстовой метки к объекту
  • локальная обработка изображений на Mac с Apple Silicon

Ограничения

Для локального запуска требуется Apple Silicon и совместимое окружение MLX; обработка изображений настроена с лимитом in_token_limit=1024. Условия лицензии с обозначением other требуют отдельной проверки.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LocateAnything-3B-MLX

Converted and optimized by Somesh Choudhary (CTO, And AI Platforms).

This repository contains the weights for nvidia/LocateAnything-3B converted to the MLX format for high-performance, local inference on Apple Silicon (M1/M2/M3/M4 Macs).

Model Overview

LocateAnything is a 3-billion parameter vision-language model (VLM) developed by NVIDIA, designed for open-vocabulary object localization and visual grounding tasks. It can accurately locate objects or regions of interest in an image given natural language queries.

This MLX conversion includes custom image processing config adjustments that optimize image processing limits (in_token_limit=1024) for local memory constraints, offering up to 20x faster inference speed and a significantly lower VRAM footprint.


🚀 Installation & Setup

Before running the model, make sure you have the required packages installed in your python environment:

pip install mlx-vlm transformers pillow opencv-python

💻 Quickstart Inference (Python API)

You can load and query the model using the mlx_vlm library.

from PIL import Image
from mlx_vlm import load, generate

# 1. Load the model and processor
model_path = "andai-labs/LocateAnything-3B-MLX"
model, processor = load(model_path, trust_remote_code=True)

# 2. Prepare the image and prompt
image = Image.open("path/to/your/image.jpg")
prompt = "Locate the person."

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": prompt}
        ]
    }
]

# 3. Format the chat template
text_prompt = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

# 4. Generate the localization bounding box
response = generate(model, processor, text_prompt, image=image, max_tokens=100)
print("Model Output:", response.text)

🏷️ Understanding the Output Format

The model returns tags containing target labels and coordinate values normalized to a range of 0 to 1000 in the format <ymin><xmin><ymax><xmax>:

  • Example Output:
    <ref>Locate the person</ref><box><247><220><757><1000></box>
    
  • Coordinate Conversion (Python): To project these coordinates back onto your original image shape (height, width):
    import re
    
    # Parse coordinates
    pattern = r"<box><(\d+)><(\d+)><(\d+)><(\d+)></box>"
    match = re.search(pattern, response.text)
    if match:
        ymin, xmin, ymax, xmax = [int(g) for g in match.groups()]
        
        # Project back to image resolution
        x1 = int(xmin * img_width / 1000)
        y1 = int(ymin * img_height / 1000)
        x2 = int(xmax * img_width / 1000)
        y2 = int(ymax * img_height / 1000)
    

📜 Citation & License

This model is distributed under the original NVIDIA LocateAnything license. Please refer to the NVIDIA License Link for usage constraints.

For the original architecture details, see:

@article{locateanything2026,
  title={LocateAnything: Open-Vocabulary Object Localization at Scale},
  author={NVIDIA Research},
  journal={arXiv preprint arXiv:2605.27365},
  year={2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
LocateAnythingForConditionalGeneration
Ревизия весов
b44545e

0 моделей