在AI领域，视觉与语言的结合一直是技术攻坚的难点。传统模型往往只能对整张图片或视频进行概括性描述，但面对用户指定的某个区域时，细节捕捉能力大打折扣。近日，英伟达联合UC伯克利等团队推出了一款颠覆性模型——**Describe Anythin