Locus-2B

Locus-2B — компактная VLM на базе Qwen/Qwen3-VL-2B-Instruct (1,75 млрд параметров) от MTalha2001. Она находит объект по текстовому описанию и возвращает bounding box в пикселях либо отвечает, что объекта нет на изображении.

👌 Ключевые особенности

• 🤝 Referring expression grounding: по изображению и фразе возвращает [x0, y0, x1, y1].
• 🏃‍♂ Locus-рецепт: изображение префиллится один раз, а запросы идут короткими ветками по кэшу.
• 🤓 Box head делает черновик бокса за один проход; затем м��дель параллельно проверяет координатные токены через Jacobi-итерации.
• 📝 В v1.1 умеет отвечать «not in the image»; на gRefCOCO так обработано 60% no-target выражений.
• 😁 v1.1 заметно лучше на мелких объектах: 40.0 Acc@0.5 при 640² против 16.7 у v1.0.
• 😎 Есть CUDA graphs для повторяющихся форм; на RTX A6000 латентность падает до ~98 мс.

⌨ Пример

from PIL import Image
from locus.hub import from_pretrained, ground

m = from_pretrained("<org>/Locus-2B", graphs=True)
img = Image.open("street.jpg")
for r in ground(m, img, ["the man in the red shirt", "the bus on the left"]):
    print(r["expression"], r["box"], r["no_target"])

Подробнее

Acc@0.5 — 88.46, Acc@0.9 — 59.43 (verified exact, среднее по 8 сплитам RefCOCO/+/g, 640²).
Мелкие объекты (<2% изображения): 40.0 Acc@0.5 на 640² и 47.8 на 1024².
Нужна CUDA GPU; латентность на RTX A6000: 226 мс без graphs, 98–111 мс с graphs.
Ограничения: RefCOCO-точность чуть ниже v1.0; отвечает не на все no-target запросы; модель только для grounding-запросов.