3B模型碾壓英偉達谷歌後，Om AI端側原生VLX模型：小參數實現物理世界精準感知

從雲計算到雲原生，產業真正的躍遷從來不是簡單堆算力，而是找到更適合新世界的架構。田晏林 發自 凹非寺 | 公眾號 QbitAI 具身智能圈，又傳來兩條重磅消息。8月6日，Om AI聯匯完成數億元融資，前海母基金領投。同一天，該公司旗下全球首款端側原生模型VLX-Seek 1.5宣佈正式開源。表面看，這是融資、開源兩件事。資本在下注一種新路線，開發者正在獲得一個新入口。但放在一起看，很難不讓人想起20年前亞馬遜AWS開啟雲計算時代的那一刻。當年，AWS一邊全面開放API吸引海量開發者接入，一邊獲得資本投入驗證路線價值。最終，雲計算沒有成為簡單的服務器租賃生意，而是演變成一套新的基礎設施範式。

如今的物理AI，也在尋找自己的「原生時刻」。Om AI聯匯定義了一種怎樣的範式？在物理AI的全局座標軸中，它處於什麼位置？全球物理AI，圖譜更新 過去幾年，AI行業的競爭經常圍繞更大的模型、更多的數據、更強的雲端算力展開。從大語言模型到多模態模型，參數規模一度成為衡量能力的重要指標。但當AI走向真實世界，機器人面對的不是一張張靜態圖片，也不是一次次文本問答。它需要在工廠、倉庫、家庭、戶外等複雜環境中持續運行。這時，競爭規則也發生了變化。決定模型價值的不再只是參數量，而是幾個更加現實的問題： 響應延遲夠不夠低？端側算力能不能承受？部署成本能不能規模化？設備能不能脫離雲端獨立運行？

因為在物理世界裡，每增加一臺機器人、無人機或智能終端，都意味著真實的硬件成本、能源成本和維護成本。如果我們把今天全球物理AI模型的路線放在一張地圖上會發現，圍繞「如何讓AI理解並行動於物理世界」這一大命題，全球玩家正在形成幾條不同方向。NVIDIA Cosmos選擇的是「雲端世界模型」路線。它的核心目標，是幫助AI理解物理環境，通過世界模型能力構建更加豐富的空間認知基礎。Physical Intelligence的π系列，則探索「雲端通用機器人策略模型」，希望通過大規模訓練讓機器人具備跨任務泛化能力。

Google Gemini Robotics則沿著「雲端VLA」方向推進，將語言理解、視覺感知和機器人動作連接起來，讓機器人能夠根據自然語言完成任務。而另闢蹊徑的Tesla Optimus，更強調模型與機器人本體之間的閉環，通過自有硬件平臺推動機器人能力迭代。這些路線並沒有誰絕對領先。它們分別回答了不同問題：如何讓AI理解世界？如何讓機器人獲得通用能力？如何讓模型與硬件協同？但在這張圖譜裡，有一個關鍵座標此前並未有過專門的回答，那就是： 如何讓一個AI模型從誕生開始，就適應端側環境？這是Om AI聯匯想填補的位置。

其自研的VLX端側流式多模態模型系列強調「端側原生」路線，它不依賴雲端大算力，也不綁定單一硬件平臺。模型也並非先在雲端訓練完成，再被壓縮部署到設備。而是在模型設計階段，就把端側算力、延遲、功耗和部署成本作為約束條件。這兩者看似只是部署方式的不同，本質上卻是兩種不同的技術哲學。前者是在問：如何讓一個強大的AI模型跑到設備上？後者是在問：如果AI生來就在設備上，它應該長成什麼樣？這也是「端側部署」和「端側原生」最大的區別。畢竟機器人真正進入千家萬戶、進入大量工業場景，不可能永遠依賴遠端的雲端大腦。當前，在全球物理AI模型競爭版圖中，端側原生正在成為一個新的關鍵方向。

而Om AI聯匯最先看到圖譜上的缺口，用VLX補上了。拆解“端側原生第一家” 對於「端側」的探索，不少AI模型很早就展開了。大家都清楚，雲端大模型雖然強大，但也有天然限制。機器人如果每一次感知都需要上傳雲端，再等待結果返回，就像讓一個人在運動時，每個動作都要先打電話詢問遠方的大腦。網絡延遲存在，數據傳輸成本存在，隱私問題也存在。但工廠裡的機器人，需要全天候工作；巡檢無人機，需要在沒有穩定網絡環境的地方執行任務；家庭機器人，需要保護用戶隱私。這些場景決定了，物理AI不能永遠依賴雲端大腦。業內之前的解決方案通常是：先訓練一個大模型，再通過壓縮、蒸餾、量化等方式，讓它適配端側。

這種「遷移式部署」的方式，模型本身仍離不開雲端，只是努力讓自己「變得更輕」。Om AI聯匯想徹底打破限制。VLX從模型架構層就開始考慮端側環境，把延遲、功耗、算力、部署成本作為設計前提，而非優化目標。也就是說，模型不是一個被迫「減肥」的大模型，而是一個天生適合端側環境的AI。這個區別決定了物理AI能不能大規模、快速地走出實驗室。端側原生帶來的價值是直接的：更快響應、更低成本、更強自主性，以及讓物理AI進入工廠、家庭、無人機巡檢、智能終端。而這種大規模落地要求模型具備本地理解能力、持續交互能力和低成本部署能力。這也是為什麼端側原生並非一個營銷概念。

它實際上代表了一條新的架構路線，決定著未來物理AI如何進入千千萬萬個真實設備。不過，路線判斷最終需要技術驗證。一個面向端側設計的模型，是否真的能挑戰更大的模型？VLX-Seek 1.5：我能！3B模型碾壓英偉達、谷歌 VLX-Seek 1.5有3B、10B兩個版本，參數規模都不大。如果說端側原生架構是其戰略選擇，那麼流式多模態就是其以小搏大的戰術優勢。傳統VLM的工作流是這樣的：攝像頭拍一張照片，上傳到雲端，等待模型推理，返回結果。這是典型的批處理模式，英偉達、Google等巨頭的路線本質上都是這個邏輯。由此帶來的問題則是延遲高、帶寬依賴大、隱私不可控。

並且，它把物理世界的連續感知切割成了一幀幀的靜態快照。VLX-Seek 1.5的流式多模態架構完全不同。它接收的是視頻流持續輸入，在端側實時理解，動態輸出決策。三層心智鏈路構成了完整閉環： Flow=持續注意力，讓模型從看不見到看得清； Seek=精細推理，讓模型從看不準到看得準； Go=執行控制，讓模型從動不了到自主行動。從「拍照識別」到「視頻流理解」的範式變化，反向驗證了同參數級別能贏巨頭的關鍵，不在參數，而在架構。在VLX-Seek 1.5公開的評測中，Om AI聯匯測試了3B和10B兩個版本，覆蓋通用目標檢測、指代表達理解、無人機視角感知、具身空間推理以及目標幻覺等多個方向。

同場比較的模型，不僅包括自家上一版的VLX-Seek，還有英偉達的LocateAnything等檢測增強型VLM，以及多個更大的開源或閉源模型。結果顯示，VLX-Seek 1.5不僅提升了細粒度視覺理解能力，同時在無人機定位、具身設備空間推理等場景中展現出競爭力。其中，最具代表性的，是3B參數版本與同規模模型（LocateAnything-3B）的比較。在通用檢測任務中，VLX-Seek 1.5-3B在LVIS Mean指標（衡量開放集定位模型對上千種物體，包含大量稀有物體的框選能力）達到57.5，相比LocateAnything-3B（50.7），提升13.4%。

這意味著，在複雜長尾目標識別中，小參數模型並沒有因為規模限制而退化。在更接近真實交互的指代表達理解任務中，VLX-Seek 1.5-3B在RefCOCOg test Mean（語言描述定位目標物體）達到80.2，相比LocateAnything-3B，提升3.4%。簡單來說，人類說一句：找到那個靠近桌角的小盒子。模型不僅要識別盒子，還要理解空間關係。這考驗的不是單純視覺能力，而是視覺和語言之間的深層關聯。真正拉開差距的是無人機視角場景。對於無人機來說，目標往往非常小、距離遠、視角高、環境複雜。傳統模型很容易出現漏檢或者誤判。而在RefDrone測試中，VLX-Seek 1.

5-3B的F1指標達到73.2，相比LocateAnything-3B的52.3，提升40%。實例準確率Acc達到58，相比LocateAnything-3B（35.6）提升62.9%。這些結果說明，在極端視角和小目標場景下，端側原生架構正在展現不同於傳統路線的效率優勢。VLX-Seek 1.5驗證了一件事：巨頭路線依靠更大規模解決問題，但端側原生路線通過更適合物理世界的架構，也能提高單位參數價值。不過，在實際部署時，僅有強識別能力還不夠。模型最大的風險是「過於自信」。對於聊天機器人，有時候過於自信的結果，就是給出一次錯誤的回覆。

但對於機器人、無人機和安防系統，模型的一次錯誤判斷可能直接觸發錯誤動作，對真實世界安全造成不可挽回的影響。為了解決這個問題，VLX-Seek 1.5引入目標幻覺指標，用於衡量模型是否會產生不存在目標的誤報。該指標定義為：Object Hallucination = FP/Number of GT Objects。其中，FP代表針對實際不存在請求目標產生的假陽性檢測，數值越低，說明模型產生的目標幻覺越少。在RefDrone目標幻覺評測中，VLX-Seek 1.5的FP/GT為18，而LocateAnything-3B為71.3。這意味著，在同等條件下，VLX-Seek 1.

5能夠顯著減少錯誤目標判斷。它選擇了一條不同的智能路線：不強行給答案，且在信息不足時，敢說「我不知道」。拒絕識別，並不是模型變弱。恰恰相反，知道什麼時候說不知道，反而才是智能走進真實物理世界的重要標誌。在安防機器人、無人機巡檢等高可靠場景中，亂報警可比漏報危險得多。融資、開源與商業化 資本對範式投票，往往比技術社區的判斷更早。Om AI聯匯此次完成數億元的融資，釋放的信號很明確：資本市場開始為端側原生範式定價。類比雲原生早期，投資人押注的，也不是某一款PaaS產品，而是範式遷移本身。而Om AI聯匯要做「定義標準」的那個。

這與Kubernetes的邏輯一致：不靠售賣標準賺錢，靠免費把標準做成行業共識。當全行業都遵循這套標準，定義方的雲基礎設施、託管服務就獲得巨大商業增益。目前，VLX-Seek 1.5的這套能力已向開發者開放。當越來越多的開發者接入VLX-Seek 1.5，這套模型在更多真實場景被驗證，數據反饋、持續迭代。飛輪一旦轉起來，生態位就穩了。VLX-Seek 1.5開源，本質上是在爭奪未來物理AI的基礎能力標準的定義權。除了模型本身，OmAI聯匯也在基於VLX模型基座構建更大的端側智能生態。其「一腦多形」智能體平臺OmAgent，試圖推動AI走進物理世界。

在具身場景的商業化驗證上，OttoPlex御行已經落地。消費端，OttoBox攜手聯想、蘋果推出AI PC「OttoBox AI Studio」。同時，其自研可穿戴AI視覺中樞Homer AI，已經服務全國近10萬視障用戶，平臺月均AI調用達到千萬次。這些探索，表明Om AI聯匯並不只是想成為一家模型公司，更希望成為端側原生智能時代的基礎設施提供者。從雲計算到雲原生，產業真正的躍遷從來不是簡單堆算力，而是找到更適合新世界的架構。如今，物理AI也走到了類似節點。融資，是資本對新路線的投票。開源，是生態對新範式的第一次接入。

當模型開始離開雲端，進入千千萬萬個真實設備，端側原生或許會成為物理AI走向規模化的關鍵答案。下一場競爭，不只是大模型之爭。未來真正擁有最大價值的，也未必是參數最多的模型，而是那個讓機器人、無人機和智能終端真正規模化運行的基礎設施。版權所有，未經授權不得以任何形式轉載及使用，違者必究。