nvidia/LocateAnything-3B
Modelo de visão e linguagem · 3 B de parâmetros — 1.5 mi downloads e 2.7 mil curtidas no Hugging Face.
Hugging Face · Modelos
·nvidia
·
·↓ 1503393
·♥ 2734
O modelo nvidia/LocateAnything-3B aparece entre os mais comentados do Hugging Face — um termômetro do que a comunidade está realmente usando agora na tarefa de visão e linguagem.
Ficha técnica
- Tarefa: visão e linguagem
- Parâmetros: 3 B
- Biblioteca:
transformers - Formatos: safetensors
- Licença: proprietária / outra
- Downloads: 1.5 mi · Curtidas: 2.7 mil
Hardware recomendado
Estimativa de VRAM só para carregar os pesos (com ~20% de folga para ativações). Contextos longos consomem memória adicional para o cache de atenção (KV cache).
- Precisão original (16-bit): ~7.2 GB de VRAM — 1 GPU de consumo (≥ 8 GB, ex. RTX 3060)
- Quantizado 8-bit: ~3.6 GB de VRAM — 1 GPU de consumo (≥ 8 GB, ex. RTX 3060)
- Quantizado 4-bit: ~1.8 GB de VRAM — roda em CPU ou GPU de notebook
Como rodar localmente
Modelo de visão e linguagem — envie imagem + texto:
pip install -U transformers accelerate torch
from transformers import pipeline
vlm = pipeline("image-text-to-text", model="nvidia/LocateAnything-3B", device=0)
msgs = [{"role": "user", "content": [
{"type": "image", "url": "https://exemplo.com/foto.jpg"},
{"type": "text", "text": "Descreva a imagem."},
]}]
print(vlm(text=msgs, max_new_tokens=200))Tags
transformers safetensors locateanything feature-extraction nvidia eagle vision object-detection
// relacionados
Leia também
Modelo
ethanfel/Qwen3-VL-32B-Ultra-Heretic-MiniMax-H3-ComfyUI-INT8-ConvRot
Editorial
MiniMax H3: um modelo só para texto, imagem, vídeo e áudio — por um terço do preço
Modelo
sensenova/SenseNova-U1.5-8B-MoT-Preview
Blog