Daftar Isi:
AI Vision · NVIDIA Research
Apa Itu Parallel Box Decoding NVIDIA?
Bayangkan sebuah robot yang harus mengenali dan menandai lokasi puluhan objek dalam satu ruangan secara instan agar bisa bergerak tanpa menabrak apa pun. Kecepatan menjadi segalanya dalam skenario ini, dan inilah yang coba dijawab NVIDIA lewat Parallel Box Decoding (PBD), teknologi inti di balik model AI vision bernama LocateAnything yang diklaim 10 kali lebih cepat dibanding model sejenis.
Bagi masyarakat umum yang penasaran dengan cara kerja AI di balik teknologi seperti robot otonom atau aplikasi yang bisa “melihat dan menunjuk” objek di layar, memahami Parallel Box Decoding membantu menjelaskan mengapa beberapa sistem AI vision terasa jauh lebih responsif dibanding yang lain. Bagi pembaca profesional seperti AI engineer, computer vision researcher, atau developer robotika, memahami PBD secara mendalam penting karena teknologi ini berpotensi menjadi pendekatan baru yang menyebar luas di komunitas riset vision-language model, khususnya untuk kebutuhan visual grounding dan deteksi objek berkecepatan tinggi.
10x
lebih cepat dibanding Qwen3-VL
12,7
bounding box per detik pada satu GPU H100
3B
parameter model LocateAnything
785M
bounding box dalam data training
Apa Itu Parallel Box Decoding? Pengertian Dasar
Parallel Box Decoding (PBD) adalah pendekatan arsitektur yang dikembangkan tim riset NVIDIA, bekerja sama dengan Hong Kong Polytechnic University dan Nanjing University, sebagai inti dari model vision-language bernama LocateAnything-3B. Teknologi ini dirancang khusus untuk tugas visual grounding, yaitu kemampuan AI mengidentifikasi dan menunjukkan lokasi persis suatu objek dalam gambar berdasarkan instruksi bahasa, misalnya menemukan tombol “submit” pada tampilan aplikasi atau mendeteksi seluruh mobil dalam sebuah foto.
Inti dari PBD adalah memperlakukan setiap bounding box (kotak pembatas yang menandai posisi objek, terdiri dari empat koordinat x1, y1, x2, y2) sebagai satu unit atomik yang diprediksi sekaligus dalam satu langkah forward pass, bukan diprediksi token koordinat demi token koordinat secara berurutan seperti pendekatan konvensional.
Masalah yang Dipecahkan: Kenapa Decoding Sekuensial Jadi Bottleneck
Analisis dari pendekatan lama menunjukkan dua kelemahan utama pada model vision-language konvensional saat melakukan visual grounding. Pertama, memprediksi koordinat secara independen satu per satu merusak koherensi geometris box, karena keempat koordinat x1, y1, x2, dan y2 sebenarnya saling terkait erat secara struktural, bukan angka lepas yang berdiri sendiri. Kedua, proses generasi sekuensial menjadi bottleneck nyata ketika sebuah gambar berisi puluhan hingga ratusan objek yang perlu dideteksi, karena setiap objek membutuhkan beberapa langkah decoding berurutan sebelum lanjut ke objek berikutnya.
Pendekatan Lama: Decoding Sekuensial (Autoregresif)
Model memprediksi token koordinat satu per satu secara berurutan, mirip cara model bahasa menulis kalimat kata demi kata. Untuk satu bounding box saja dibutuhkan beberapa langkah decoding terpisah, dan proses ini terus berulang untuk setiap objek baru yang terdeteksi dalam gambar.
Pendekatan Baru: Parallel Box Decoding
Model memprediksi keseluruhan set koordinat (x1, y1, x2, y2) untuk satu bounding box secara bersamaan dalam satu forward pass, memperlakukannya sebagai satu unit struktural utuh. Pendekatan ini membuka parallelism besar-besaran saat inferensi sekaligus menjaga koherensi geometris setiap box tetap terjaga.
Tiga Mode Operasi LocateAnything
| Mode | Cara Kerja | Karakteristik |
|---|---|---|
| Fast Mode | Prediksi blok box secara paralel penuh | Kecepatan maksimal, cocok skenario umum |
| Slow Mode | Decoding autoregresif token demi token | Lebih presisi untuk kasus ambigu, namun lebih lambat |
| Hybrid Mode | Default paralel dengan fallback ke autoregresif | Menyeimbangkan kecepatan dan stabilitas saat format tidak teratur atau ambiguitas spasial muncul |
Desain Hybrid Mode sebagai mode default mencerminkan pertimbangan praktis yang matang: kecepatan penuh dari parallel decoding tetap diutamakan, namun sistem cukup cerdas untuk beralih ke pendekatan autoregresif yang lebih hati-hati ketika menghadapi situasi yang berisiko menurunkan kualitas hasil deteksi.
Hasil dan Performa yang Diklaim
Berdasarkan publikasi riset NVIDIA, LocateAnything-3B dengan Parallel Box Decoding mencapai throughput 12,7 bounding box per detik pada satu unit GPU H100, sekitar 10 kali lebih cepat dibanding model pembanding Qwen3-VL dan 2,5 kali lebih cepat dibanding Rex-Omni, tanpa mengorbankan akurasi deteksi. Model ini dilatih menggunakan 138 juta sampel data yang mencakup 785 juta bounding box, salah satu dataset grounding terbesar yang pernah dipublikasikan secara terbuka hingga saat ini.
Konteks penting: model LocateAnything-3B dirilis secara terbuka (open) lengkap dengan bobot model, kode, dan paper penelitian di Hugging Face, sehingga developer bisa langsung mencoba dan mengintegrasikannya tanpa bergantung pada API berbayar milik pihak ketiga.
Manfaat dan Kasus Penggunaan Nyata
- Robotika dan perangkat edge — kecepatan deteksi objek yang tinggi krusial bagi robot yang harus memahami lingkungan sekitarnya secara real-time, dan model ini bisa dioptimalkan untuk platform embedded seperti NVIDIA Thor.
- GUI grounding untuk AI agent — memungkinkan AI agent “melihat” dan menemukan elemen antarmuka seperti tombol atau kolom input secara akurat, mendukung otomasi computer-use tanpa API pihak ketiga yang mahal.
- OCR dan document AI — membantu menemukan lokasi teks atau elemen dokumen tertentu dengan cepat, mempercepat pipeline pemrosesan dokumen skala besar.
- Deteksi objek padat (dense detection) — sangat relevan pada skenario dengan banyak objek dalam satu gambar, di mana pendekatan sekuensial lama akan sangat lambat memproses seluruh objek satu per satu.
Baca juga: Apa Itu MCP (Model Context Protocol)? Panduan AI untuk memahami standar lain yang juga berkembang pesat dalam ekosistem AI modern, khususnya soal bagaimana model AI terhubung dengan tool dan data eksternal.
Baca Riset Resmi LocateAnything di NVIDIA Research
FAQ Seputar Parallel Box Decoding NVIDIA
1. Apa beda Parallel Box Decoding dengan metode decoding autoregresif biasa?
Metode autoregresif memprediksi koordinat bounding box satu per satu secara berurutan, sementara Parallel Box Decoding memprediksi seluruh koordinat sebuah box sekaligus dalam satu langkah, sehingga jauh lebih cepat terutama saat banyak objek perlu dideteksi bersamaan.
Baca Juga:
2. Apakah LocateAnything-3B bisa dipakai gratis?
Ya, model ini dirilis secara terbuka di Hugging Face lengkap dengan bobot model, kode, dan dokumentasi penelitian, sehingga bisa diunduh dan digunakan tanpa biaya lisensi.
3. Apakah Parallel Box Decoding mengorbankan akurasi demi kecepatan?
Berdasarkan klaim riset NVIDIA, model ini mencapai throughput jauh lebih tinggi tanpa penurunan akurasi dibanding model pembanding, berkat desain yang menjaga koherensi geometris tiap bounding box tetap utuh meski diproses secara paralel.
4. Apakah teknologi ini bisa dipakai di perangkat kecil seperti robot atau embedded system?
Bisa, dengan optimasi tambahan seperti kuantisasi atau kompresi model, LocateAnything-3B dapat dijalankan pada platform embedded seperti NVIDIA Thor yang umum dipakai untuk aplikasi robotika.
5. Apa itu Hybrid Mode dan kenapa jadi mode default?
Hybrid Mode menggabungkan kecepatan Parallel Box Decoding dengan keandalan decoding autoregresif sebagai cadangan, otomatis beralih ke mode lebih hati-hati saat sistem mendeteksi ambiguitas, menjadikannya pilihan default yang menyeimbangkan kecepatan dan kualitas hasil.
Kesimpulan
Parallel Box Decoding menandai pendekatan baru dalam dunia vision-language model, membuktikan bahwa memprediksi struktur data geometris seperti bounding box secara utuh dalam satu langkah bisa jauh lebih efisien dibanding pendekatan sekuensial yang selama ini jadi standar. Dengan performa hingga 10 kali lebih cepat tanpa mengorbankan akurasi, teknologi ini membuka peluang aplikasi real-time yang sebelumnya terbatas oleh kecepatan decoding, mulai dari robotika hingga otomasi antarmuka digital. Bagi peneliti dan developer AI vision, Parallel Box Decoding layak dipantau sebagai arah baru yang berpotensi memengaruhi bagaimana model-model grounding masa depan dirancang, terutama karena sifatnya yang terbuka dan bisa langsung diadopsi tanpa bergantung pada layanan berbayar tertutup.
