只有 10B，一个令人惊艳的国产模型，开源了！
推荐理由VLX-Seek 的候选区域定位与计数方法，为视觉团队比较专用小模型和通用模型提供具体入口，方便评估实际部署取舍。
读前速览
OmAI 联汇推出 VLX-Seek 1.5，一个基于 Gemma 4 微调的视觉语言模型，专注于细粒度目标定位和计数，已开源 10B 版本，并提供 macOS 和 Linux 的推理支持。
高效的坐标解码机制
VLX-Seek 使用区域编号代替直接输出坐标，将图像分割为候选区域，并让模型选择符合描述的区域编号。这种方法减少了解码开销，提高了定位精度，尤其在目标密集的情况下。
强大的拒识能力
模型在训练中加入了大量负样本和拒识样本，使其能够准确判断何时没有匹配目标，并返回“无匹配”的结果，从而避免了不必要的误判。
跨平台推理支持
开源的 10B 版本提供了完整的推理代码，支持在 Linux（CUDA、NPU）和 macOS（Apple Silicon）上运行，并附有详细的部署说明，方便开发者快速集成。
完整摘要
VLX-Seek 1.5 是一个专门用于目标定位的视觉语言模型，由 OmAI 联汇基于 Gemma 4 微调而成。它通过将图像分割为候选区域并使用区域编号进行指代，实现了高效的坐标解码。该模型在无人机、监控和机器人视角下表现出色，能够准确识别和计数目标，并具有良好的拒识能力。目前，10B 版本已开源，并提供了跨平台的推理支持。
目录 · 4 节
原创 小 G 2026-10-25 17:05 广东
前段时间爆火的 AI 决策模型 Jev，引发了快速结构化判断的讨论。
也让更多人开始关注，真实世界中的高效智能，首先需要什么样的感知能力。
比如让机器人去拿桌上的水瓶，光说拿水瓶还不够，还得弄清说的是哪一瓶。
机器人在走，身上摄像头拍到的画面是一直在变，在真实世界里，可不会等模型想完再动。
若要在这种环境里快速做出判断，前提是先把眼前的画面持续看清，才能把要找的目标找准。
最近偶然看到一支长期围绕端侧原生多模态智能探索的团队「OmAI 联汇」，给出了解决方案。
旗下 VLX 有两款模型，VLX-Seek 负责快速找到目标，VLX-Flow 负责持续理解环境。
目前 VLX-Seek 1.5 的 10B 版本已经开源，推理代码在 GitHub 上，模型权重也能下载了。
GitHub：https://github.com/om-ai-lab/VLX-Seek
先圈出候选区域，再让模型挑
先看 VLX-Seek，主打细粒度视觉定位，能完成目标定位，也能数出符合描述的目标有多少个。
比如一张图里有好几个人，我们让它找「穿红衣服的人」，它就得按这个要求框出来。
看它的 README 和技术博客时，我留意到一个细节，它框目标用的是区域编号。
不少模型框目标的办法，是让语言模型直接写出一串坐标数字，比如 [x1, y1, x2, y2] 这样的格式。
画面里目标一多，要写的坐标也就多了。数字、顺序或者格式出了错，都可能让框的位置偏掉，甚至没法解析。
VLX-Seek 换了个做法，先由候选区域生成模型把画面里可能有东西的地方圈出来，每个区域编上号，变成模型能读懂的区域 token。
还是找「穿红衣服的人」，有了这些区域编号，模型就可以挑出符合描述的那几个区域，系统再根据编号查回对应的坐标。
README 里把这个思路叫做「从坐标生成到区域指代」。编号比一串串坐标短，解析起来也方便，目标多的时候能减少解码开销。
这里还有个实用的设计，叫拒识。
训练的时候，团队专门加了负样本和拒识样本，让模型学会在画面里没有目标时，回答没有匹配目标，减少乱框的情况。
机器人后面还要根据定位结果行动，框错了，可能就走向了错误的物体。
7 月发布的 VLX-Seek 1.5，又补充了大量无人机、监控、机器人视角的训练数据，推理链路也做了提速。
VLX-Seek 1.5 规划了 0.6B、3B、10B 三种规模，开源的 10B 版本权重已放在 Hugging Face 上。
并且在 Linux 的 CUDA、NPU 和 macOS 的 Apple Silicon 上完成推理测试和验证，另外还有 Jetson、昇腾 910B 等设备的 Docker 部署说明。
机器人和无人机视角下的表现
再来看一段 VLX-Seek 的介绍视频，里面有不少在航拍、街拍画面里按描述找目标的演示。
仓库里还放了几组 VLX-Seek 的典型案例，其中一张是机器人视角的桌面。
桌上一共四瓶水，两瓶放在纸盒上，两瓶直接放在桌面，给的指令是「不在纸盒上的水瓶」。
结果只框出了放在桌面上的两瓶，纸盒上的两瓶没有被框进去。这条指令里的「不在纸盒上」，它识别出来了。
再换到无人机视角，高空拍下来的是一条马路，路上的车和人在画面里都只有一丁点大。
指令是「骑电动车的人」，路上十几个骑行的人被一个个框了出来，旁边开过去的汽车没有被算进去。
我们也能根据返回的框，统计目标的数量。无人机拍到的目标又小又密，定位和计数都得处理好。
前面说的拒识，在 1.5 版本里也做得更明确了。
比如让 VLX-Seek 同时找 A 和 B，画面里只有 A，它会返回 A 的位置，B 则标成 None，表示没找到。
技术博客里还专门测了目标幻觉，看模型会不会乱框出不存在的目标，数值越低越好。
在无人机数据集 VisDrone 上，VLX-Seek 1.5-10B 的这一项是 7.0，同样做定位的 LocateAnything-3B 是 28.8。
其他几项测评里，无人机定位和具身空间推理这两项也可以看看。
一个是 RefDrone，考的是在无人机画面里按描述找目标，VLX-Seek 1.5-10B 的 F1 是 73.2，Qwen3-VL-8B 是 51.7。
另一个是具身空间推理的 EmbSpatialBench，VLX-Seek 1.5-10B 拿到了 85.0，在表里排第一，GPT-5.2 是 68.0，Gemini-3 Pro 是 61.2。
VLX-Flow，让 AI 一直看着
前面这些案例，都是给一句描述，让 VLX-Seek 找目标。
开头提到的 VLX-Flow，则会一直处理传进来的视频，等我们问的时候，前面的内容已经看过了。
很多视频模型要等到有人提问，才开始处理视频。把整段视频一次喂进去，或者每隔几秒抽一帧，都是常见的做法。
整段处理的计算量大，等待时间也长。隔几秒抽一帧又容易漏，比如拿起杯子的那个动作，刚好在两帧之间，就没看到了。
VLX-Flow 做的是持续视频理解，属于流式视觉语言模型，摄像头传来新画面，它就接着往下看。
视频被切成一段段小片段，按顺序送进模型，模型边看边更新两层记忆。
其中，视觉缓存保留最近的画面细节，语义记忆保留连续描述、问题和回答，方便后面接着问。
有人提问的时候，它直接从已经记下来的内容里回答，不用把整段视频从头再看一遍。
技术博客里举了一个例子，画面里有人先拿起杯子，再走向门口，最后把杯子放到桌上。
随后问「他刚才把什么放在桌上」，VLX-Flow 就根据已经保存的记忆，找回前后的动作关系来回答。
视频越长，常规做法要处理的历史就越多，开始回答前的等待时间也越长。
博客里的首 token 时延对比图也能看出这个差别。输入画面增多时，常规做法（Full Attention） 的曲线不断往上涨，VLX-Flow 则保持在比较低的位置。
端侧设备本来就算力有限，视频还在不断传进来，能省下反复处理历史画面的计算，也更适合持续运行。
写在最后
把 VLX-Flow 和 VLX-Seek 用到工业巡检里，可以设想这样一个流程。
让 VLX-Flow 持续理解巡检画面，再让 VLX-Seek 按指令找到需要检查的设备。上层系统结合这些信息，判断下一步该继续巡检、重新观察，还是请人工确认。
开头提到的 Jev，属于一类叫 System One Model 的模型，讲究的是像人一样，不用细想就能很快做出反应。
机器人想做到这样的快速反应，我觉得第一步就是先把眼前的环境和目标认清楚，VLX-Flow 和 VLX-Seek 做的就是这一步。
OmAI 联汇把这个方向叫作 From Seeing to Deciding，希望从看见、看懂物理世界，进一步做到面向真实任务的快速决策。
对具身智能、视觉定位感兴趣的朋友，可以去 VLX-Seek 的仓库看看。
另外 VLX-Flow 的技术介绍和官方模型体验平台，我也一并放在下面。
-
模型体验：https://om-agent.com
今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！