3B模型碾压英伟达谷歌后，Om AI端侧原生VLX模型：小参数实现物理世界精准感知

田晏林 发自 凹非寺
量子位 | 公众号 QbitAI

具身智能圈，又传来两条重磅消息。

刚刚，Om AI联汇完成数亿元融资，前海母基金领投。

同一天，该公司旗下全球首款端侧原生模型VLX-Seek 1.5宣布正式开源。

表面看，这是融资、开源两件事。

资本在下注一种新路线，开发者正在获得一个新入口。

但放在一起看，很难不让人想起20年前亚马逊AWS开启云计算时代的那一刻。

当年，AWS一边全面开放API吸引海量开发者接入，一边获得资本投入验证路线价值。

最终，云计算没有成为简单的服务器租赁生意，而是演变成一套新的基础设施范式。

如今的物理AI，也在寻找自己的「原生时刻」。

Om AI联汇定义了一种怎样的范式？在物理AI的全局坐标轴中，它处于什么位置？

全球物理AI，图谱更新

过去几年，AI行业的竞争经常围绕更大的模型、更多的数据、更强的云端算力展开。

从大语言模型到多模态模型，参数规模一度成为衡量能力的重要指标。

但当AI走向真实世界，机器人面对的不是一张张静态图片，也不是一次次文本问答。

它需要在工厂、仓库、家庭、户外等复杂环境中持续运行。

这时，竞争规则也发生了变化。

决定模型价值的不再只是参数量，而是几个更加现实的问题：

响应延迟够不够低？端侧算力能不能承受？部署成本能不能规模化？设备能不能脱离云端独立运行？

因为在物理世界里，每增加一台机器人、无人机或智能终端，都意味着真实的硬件成本、能源成本和维护成本。

如果我们把今天全球物理AI模型的路线放在一张地图上会发现，围绕「如何让AI理解并行动于物理世界」这一大命题，全球玩家正在形成几条不同方向。

NVIDIA Cosmos选择的是「云端世界模型」路线。

它的核心目标，是帮助AI理解物理环境，通过世界模型能力构建更加丰富的空间认知基础。

Physical Intelligence的π系列，则探索「云端通用机器人策略模型」，希望通过大规模训练让机器人具备跨任务泛化能力。

Google Gemini Robotics则沿着「云端VLA」方向推进，将语言理解、视觉感知和机器人动作连接起来，让机器人能够根据自然语言完成任务。

而另辟蹊径的Tesla Optimus，更强调模型与机器人本体之间的闭环，通过自有硬件平台推动机器人能力迭代。

这些路线并没有谁绝对领先。

它们分别回答了不同问题：如何让AI理解世界？如何让机器人获得通用能力？如何让模型与硬件协同？

但在这张图谱里，有一个关键坐标此前并未有过专门的回答，那就是：

如何让一个AI模型从诞生开始，就适应端侧环境？

这是Om AI联汇想填补的位置。

其自研的VLX端侧流式多模态模型系列强调「端侧原生」路线，它不依赖云端大算力，也不绑定单一硬件平台。

模型也并非先在云端训练完成，再被压缩部署到设备。

而是在模型设计阶段，就把端侧算力、延迟、功耗和部署成本作为约束条件。

这两者看似只是部署方式的不同，本质上却是两种不同的技术哲学。

前者是在问：如何让一个强大的AI模型跑到设备上？

后者是在问：如果AI生来就在设备上，它应该长成什么样？

这也是「端侧部署」和「端侧原生」最大的区别。

毕竟机器人真正进入千家万户、进入大量工业场景，不可能永远依赖远端的云端大脑。

当前，在全球物理AI模型竞争版图中，端侧原生正在成为一个新的关键方向。

而Om AI联汇最先看到图谱上的缺口，用VLX补上了。

拆解“端侧原生第一家”

对于「端侧」的探索，不少AI模型很早就展开了。

大家都清楚，云端大模型虽然强大，但也有天然限制。

机器人如果每一次感知都需要上传云端，再等待结果返回，就像让一个人在运动时，每个动作都要先打电话询问远方的大脑。

网络延迟存在，数据传输成本存在，隐私问题也存在。

但工厂里的机器人，需要全天候工作；巡检无人机，需要在没有稳定网络环境的地方执行任务；家庭机器人，需要保护用户隐私。

这些场景决定了，物理AI不能永远依赖云端大脑。

业内之前的解决方案通常是：先训练一个大模型，再通过压缩、蒸馏、量化等方式，让它适配端侧。

这种「迁移式部署」的方式，模型本身仍离不开云端，只是努力让自己「变得更轻」。

Om AI联汇想彻底打破限制。

VLX从模型架构层就开始考虑端侧环境，把延迟、功耗、算力、部署成本作为设计前提，而非优化目标。

也就是说，模型不是一个被迫「减肥」的大模型，而是一个天生适合端侧环境的AI。

这个区别决定了物理AI能不能大规模、快速地走出实验室。

端侧原生带来的价值是直接的：更快响应、更低成本、更强自主性，以及让物理AI进入工厂、家庭、无人机巡检、智能终端。

而这种大规模落地要求模型具备本地理解能力、持续交互能力和低成本部署能力。

这也是为什么端侧原生并非一个营销概念。

它实际上代表了一条新的架构路线，决定着未来物理AI如何进入千千万万个真实设备。

不过，路线判断最终需要技术验证。

一个面向端侧设计的模型，是否真的能挑战更大的模型？

VLX-Seek 1.5：我能！

3B模型碾压英伟达、谷歌

VLX-Seek 1.5有3B、10B两个版本，参数规模都不大。

如果说端侧原生架构是其战略选择，那么流式多模态就是其以小搏大的战术优势。

传统VLM的工作流是这样的：摄像头拍一张照片，上传到云端，等待模型推理，返回结果。

这是典型的批处理模式，英伟达、Google等巨头的路线本质上都是这个逻辑。

由此带来的问题则是延迟高、带宽依赖大、隐私不可控。并且，它把物理世界的连续感知切割成了一帧帧的静态快照。

VLX-Seek 1.5的流式多模态架构完全不同。

它接收的是视频流持续输入，在端侧实时理解，动态输出决策。三层心智链路构成了完整闭环：

• Flow=持续注意力，让模型从看不见到看得清；
• Seek=精细推理，让模型从看不准到看得准；
• Go=执行控制，让模型从动不了到自主行动。

从「拍照识别」到「视频流理解」的范式变化，反向验证了同参数级别能赢巨头的关键，不在参数，而在架构。

在VLX-Seek 1.5公开的评测中，Om AI联汇测试了3B和10B两个版本，覆盖通用目标检测、指代表达理解、无人机视角感知、具身空间推理以及目标幻觉等多个方向。

同场比较的模型，不仅包括自家上一版的VLX-Seek，还有英伟达的LocateAnything等检测增强型VLM，以及多个更大的开源或闭源模型。

结果显示，VLX-Seek 1.5不仅提升了细粒度视觉理解能力，同时在无人机定位、具身设备空间推理等场景中展现出竞争力。

其中，最具代表性的，是3B参数版本与同规模模型（LocateAnything-3B）的比较。

在通用检测任务中，VLX-Seek 1.5-3B在LVIS Mean指标（衡量开放集定位模型对上千种物体，包含大量稀有物体的框选能力）达到57.5，相比LocateAnything-3B（50.7），提升13.4%。

这意味着，在复杂长尾目标识别中，小参数模型并没有因为规模限制而退化。

在更接近真实交互的指代表达理解任务中，VLX-Seek 1.5-3B在RefCOCOg test Mean（语言描述定位目标物体）达到80.2，相比LocateAnything-3B，提升3.4%。

简单来说，人类说一句：找到那个靠近桌角的小盒子。

模型不仅要识别盒子，还要理解空间关系。这考验的不是单纯视觉能力，而是视觉和语言之间的深层关联。

真正拉开差距的是无人机视角场景。

对于无人机来说，目标往往非常小、距离远、视角高、环境复杂。传统模型很容易出现漏检或者误判。

而在RefDrone测试中，VLX-Seek 1.5-3B的F1指标达到73.2，相比LocateAnything-3B的52.3，提升40%。

实例准确率Acc达到58，相比LocateAnything-3B（35.6）提升62.9%。

这些结果说明，在极端视角和小目标场景下，端侧原生架构正在展现不同于传统路线的效率优势。

VLX-Seek 1.5验证了一件事：巨头路线依靠更大规模解决问题，但端侧原生路线通过更适合物理世界的架构，也能提高单位参数价值。

不过，在实际部署时，仅有强识别能力还不够。

模型最大的风险是「过于自信」。

对于聊天机器人，有时候过于自信的结果，就是给出一次错误的回复。

但对于机器人、无人机和安防系统，模型的一次错误判断可能直接触发错误动作，对真实世界安全造成不可挽回的影响。

为了解决这个问题，VLX-Seek 1.5引入目标幻觉指标，用于衡量模型是否会产生不存在目标的误报。

该指标定义为：Object Hallucination = FP/Number of GT Objects。

其中，FP代表针对实际不存在请求目标产生的假阳性检测，数值越低，说明模型产生的目标幻觉越少。

在RefDrone目标幻觉评测中，VLX-Seek 1.5的FP/GT为18，而LocateAnything-3B为71.3。

这意味着，在同等条件下，VLX-Seek 1.5能够显著减少错误目标判断。

它选择了一条不同的智能路线：不强行给答案，且在信息不足时，敢说「我不知道」。

拒绝识别，并不是模型变弱。恰恰相反，知道什么时候说不知道，反而才是智能走进真实物理世界的重要标志。

在安防机器人、无人机巡检等高可靠场景中，乱报警可比漏报危险得多。

融资、开源与商业化

资本对范式投票，往往比技术社区的判断更早。

Om AI联汇此次完成数亿元的融资，释放的信号很明确：资本市场开始为端侧原生范式定价。

类比云原生早期，投资人押注的，也不是某一款PaaS产品，而是范式迁移本身。

而Om AI联汇要做「定义标准」的那个。

这与Kubernetes的逻辑一致：不靠售卖标准赚钱，靠免费把标准做成行业共识。

当全行业都遵循这套标准，定义方的云基础设施、托管服务就获得巨大商业增益。

目前，VLX-Seek 1.5的这套能力已向开发者开放。

当越来越多的开发者接入VLX-Seek 1.5，这套模型在更多真实场景被验证，数据反馈、持续迭代。

飞轮一旦转起来，生态位就稳了。

VLX-Seek 1.5开源，本质上是在争夺未来物理AI的基础能力标准的定义权。

除了模型本身，OmAI联汇也在基于VLX模型基座构建更大的端侧智能生态。

其「一脑多形」智能体平台OmAgent，试图推动AI走进物理世界。

在具身场景的商业化验证上，OttoPlex御行已经落地。

消费端，OttoBox携手联想、苹果推出AI PC「OttoBox AI Studio」。

同时，其自研可穿戴AI视觉中枢Homer AI，已经服务全国近10万视障用户，平台月均AI调用达到千万次。

这些探索，表明Om AI联汇并不只是想成为一家模型公司，更希望成为端侧原生智能时代的基础设施提供者。

从云计算到云原生，产业真正的跃迁从来不是简单堆算力，而是找到更适合新世界的架构。

如今，物理AI也走到了类似节点。

融资，是资本对新路线的投票。开源，是生态对新范式的第一次接入。

当模型开始离开云端，进入千千万万个真实设备，端侧原生或许会成为物理AI走向规模化的关键答案。

下一场竞争，不只是大模型之争。

未来真正拥有最大价值的，也未必是参数最多的模型，而是那个让机器人、无人机和智能终端真正规模化运行的基础设施。