科技媒體Marktechpost報道，英偉達近日推出Describe Anything 3B(DAM-3B)AI模型，旨在解決圖像和視頻中特定區域的詳細描述難題。

　　傳統視覺-語言模型(VLMs)在整體描述上表現優異，但對局部細節的捕捉常顯不足。DAM-3B通過點選、框選或涂鴉等方式指定目標區域，生成精準且上下文相關的描述文本，其衍生版本DAM-3B-Video還支持動態視頻分析。

　　該模型采用“焦點提示”和“局部視覺骨干網絡”架構，兼顧高分辨率細節與全局背景，并通過門控交叉注意力機制融合特征。為彌補數據不足，英偉達開發了半自動標注策略，構建含150萬樣本的訓練庫。

　　在多項基準測試中，DAM-3B以67.3%的平均準確率超越GPT-4o等模型，為無障礙工具、機器人及視頻分析提供了新可能。模型已在Hugging Face平臺開源。