# DAM-3B – 英伟达推出的多模态大语言模型

- Link: https://paooo.com/aigc-news/20193/
- Published: 2026-06-07T23:32:52+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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。

阅读目录

 * [DAM-3B是什么](https://paooo.com/aigc-news/20193/#dam3b%e6%98%af%e4%bb%80%e4%b9%88)
 * [DAM-3B的主要功能](https://paooo.com/aigc-news/20193/#dam3b%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [DAM-3B的技术原理](https://paooo.com/aigc-news/20193/#dam3b%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [DAM-3B的项目地址](https://paooo.com/aigc-news/20193/#dam3b%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [DAM-3B的应用场景](https://paooo.com/aigc-news/20193/#dam3b%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![DAM-3B](https://paooo.com/wp-content/uploads/2026/06/DAM-3B-website-1.avif)

## 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。

🔬 语宙深潜追问 · 进阶实操拆解

点选框选能力最适合哪些场景？

最适合需要“看哪里说哪里”的任务，如标注、无障碍描述、视频检索和内容审核。它能把注意力
锁定到局部区域，减少通用 VLM 对整图平均化描述的问题，输出更可控、更贴近业务需求。

如何把局部描述接进产品流程？

建议把它放在交互链路中而非单独问答：用户点选区域后生成描述，再结合上下文做二次摘要
或结构化输出。若用于生产，最好叠加置信度阈值、人工复核和区域历史记录，避免误标。

🗳️ 读者观点微投票 · 您的实战立场是？

局部多模态描述模型，真能替代通用 VLM 吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [DINO-X – IDEA 研究院推出的通用视觉大模型](https://paooo.com/aigc-news/25435/)
 * [Qwen2-VL – 阿里巴巴达摩院开源的视觉多模态AI模型](https://paooo.com/aigc-news/27176/)
 * [VideoLLaMA3 – 阿里达摩院推出的多模态基础模型](https://paooo.com/aigc-news/22565/)
 * [09-18 AIGC 早报](https://paooo.com/aigc-morning/4565/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/20193/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
