---
title: "DAM-3B – 英伟达推出的多模态大语言模型"
url: "https://paooo.com/aigc-news/20193/"
author: "Prompt 语宙研究院"
published_at: "2026-06-07T23:32:52+08:00"
updated_at: "2026-06-07T23:32:52+08:00"
categories: "AIGC 资讯"
tags: "3D与空间智能, AI绘画提示词, AI视频生成, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# DAM-3B – 英伟达推出的多模态大语言模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/20193/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-07

## AI 30 秒核心看点 (TL;DR)

- 支持点、框、涂鸦、掩码指定区域，专注生成图像/视频局部细节描述。
- 焦点提示+局部视觉骨干网络，兼顾全局背景与目标区域高分辨率细节。
- DAM-3B-Video可处理动态视频与遮挡运动场景，描述更稳更准。

## DAM-3B是什么

DAM-3B（Describe Anything 3B）是英伟达推出的多模态大语言模型，专为生成图像和视频中特定区域的详细描述设计。模型通过点、边界框、涂鸦或掩码等方式指定目标区域，能生成精准且符合上下文的描述文本。 DAM-3B的核心创新包括“焦点提示”技术和“局部视觉骨干网络”。焦点提示技术将全图信息与目标区域的高分辨率裁剪图融合，确保细节不失真，同时保留整体背景。局部视觉骨干网络则通过嵌入图像和掩码输入，运用门控交叉注意力机制，将全局特征与局部特征相结合，再传输至大语言模型生成描述。

## DAM-3B的主要功能

- **区域指定与描述**：用户可以通过点、边界框、涂鸦或掩码等方式指定图像或视频中的目标区域，DAM-3B能生成精准且符合上下文的描述文本。

- **支持静态图像和动态视频**：DAM-3B和DAM-3B-Video分别适用于静态图像和动态视频的局部描述。DAM-3B-Video通过逐帧编码区域掩码并整合时间信息，在存在遮挡或运动的情况下，能生成准确的描述。

## DAM-3B的技术原理

- **焦点提示（Focal Prompt）**：DAM-3B采用焦点提示技术，将全图信息与目标区域的高分辨率裁剪图相结合。能确保在保留整体背景的同时，不丢失目标区域的细节，生成既精准又符合上下文的描述。

- **局部视觉骨干网络（Localized Vision Backbone）**：网络通过嵌入图像和掩码输入，运用门控交叉注意力机制，巧妙地融合全局特征和局部特征。增强了模型对复杂场景的理解，能高效地将特征传递至大语言模型以生成描述。

- **多模态架构**：DAM-3B基于Transformer架构，能处理图像和视频的多模态输入。用户可以通过点选、边界框、涂鸦或掩码等方式指定目标区域，模型随后生成与上下文高度契合的描述。

- **视频扩展（DAM-3B-Video）**：DAM-3B-Video版本通过逐帧编码区域掩码并整合时间信息，扩展了模型在动态视频中的应用能力。在存在遮挡或运动的情况下，模型也能生成准确的描述。

- **数据生成策略**：为解决训练数据匮乏的问题，英伟达开发了DLC-SDP半监督数据生成策略。利用分割数据集和未标注的网络图像，构建了包含150万局部描述样本的训练语料库，优化模型的描述质量。

## DAM-3B的项目地址

- **Github仓库**：[https://github.com/NVlabs/describe-anything](https://github.com/NVlabs/describe-anything)

## DAM-3B的应用场景

- **内容创作**：帮助创作者生成精准的图像或视频描述，提升自动化字幕和视觉叙事的质量。

- **智能交互**：为虚拟助手提供更自然的视觉理解能力，例如在AR/VR环境中实现实时场景描述。

- **无障碍工具和机器人技术**：为视觉障碍人士提供更详细的图像和视频描述，辅助机器人更好地理解复杂场景。

## 常见问题解答 (FAQ)

### DAM-3B是什么模型？
DAM-3B（Describe Anything 3B）是英伟达推出的多模态大语言模型，核心任务是对图像或视频中的指定区域生成详细、准确且符合上下文的描述，适合局部视觉理解与描述生成。

### DAM-3B支持哪些区域指定方式？
它支持点、边界框、涂鸦和掩码等多种方式来指定目标区域。用户先标出关注区域，模型再结合全图上下文输出更细粒度的局部描述。

### DAM-3B-Video和普通版有什么区别？
DAM-3B-Video面向动态视频场景，能逐帧编码区域掩码并整合时间信息，因此在遮挡、运动等复杂情况下也能生成较准确的局部描述。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
