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

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 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 2026-08-10 09:12:33 来源： 量子位 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。 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。 8月6日，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