< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
2026-06-27 20:19:42 来源：量子位
VLM- R1之后再次出手！全球首个端侧流式多模态来了！
henry 发自 凹非寺
量子位 | 公众号 QbitAI
好家伙！
这CVPR也就刚过去没几天，会上还在热议的方向，就已经给一家杭州团队跑进了端侧！
刚刚，Om AI发布全球首个面向物理世界的端侧流式多模态模型系列——
VLX。
VLX主打真实世界的端侧与具身场景，总共三款模型，三天连发：
这三款模型连起来，不仅构成了多模态模型持续感知、精准定位、行动决策的能力闭环。
与此同时，其原生端侧设计也让它能够真正跑进手机、无人机、机器人这些端侧设备。
而这，也并不是Om AI第一次在VL（视觉语言）领域发力。
去年，他们推出了全网爆火的VLM-R1。
作为全球首个将DeepSeek R1强化学习范式引入视觉语言模型的开源项目，上线12小时获得超过2000颗GitHub Star。
48小时登顶GitHub全球趋势榜，至今已斩获6000+Star。
这一次，他们交出的新答卷，是VLX。
为了更好地理解VLX这次的技术路线，我们可以把它拆成两个关键词：端侧与流式多模态。
咱们先看后者。
所谓流式多模态，就是让AI能够在物理世界中持续、实时地感知环境，并最终形成一条完整的能力链：
感知（Perception）→ 精准定位（Grounding）→ 行动（Action）。
它跟我们此前在语音助手里“听”到的流式多模态不同。
语音助手强调的是人与AI的实时交互，而VLX关注的，则是AI在物理世界中持续观察、持续判断，并最终驱动行动，完成从“看图”到“做事”的跨越。
这种定位的不同，其实反映的是VLM角色的转变。
随着具身智能、空间智能、视频生成等领域快速发展，VLM已经不再只是LLM的一个能力模块，而是在逐渐成为空间理解、视频理解乃至动作规划的新一代基础设施。
这意味着，VLM不仅需要看图说话，更需要具备持续感知、精准定位和驱动行动的能力，从而为下游任务提供统一、精准的基座能力。
一个很直观的信号来自今年CVPR。
数据显示，VLM/多模态相关论文占比已经从去年的4.9%增长到10.6%，几乎翻倍，成为近年来增长最快的研究方向之一。
而在论文数量快速增长的背后，最值得关注的两个关键词，就是实时感知（Streaming）和定位（Grounding）。
（注：Grounding的核心就是让模型根据一句自然语言描述，准确找到图像或视频中对应的对象、区域和概念）
VLX的整套设计，也正是围绕这两个方向展开，并进一步把能力延伸到了最终的行动。
首先是VLX-Flow，负责持续感知，解决的是看见。
在真实世界中，由于物体始终处于运动之中，环境、状态不断变化、视角切换也时刻发生。
一次性的观察，很难应对这样动态、开放且持续变化的环境。因此，模型必须像人一样不断接收新信息、持续更新对环境的理解。
传统视频模型往往将整段视频切成帧，一次性送入模型做离线理解。
视频一长，不仅计算成本急剧上升，还容易丢失前文信息，难以支撑实时交互。
为解决这一问题，Flow采用了流式处理。
让画面像水流一样持续涌入，靠增量编码和缓存机制不断更新自己的视觉状态，既不用反复重算历史，也不会因为视频变长而失忆。
技术层面， Flow用Linear Attention替代标准Attention，并结合双层记忆机制，让视频流能够持续进入模型而不会因上下文增长导致显存爆炸。
也就是说，它不等视频播完再理解，而是一边看一边更新对环境的认知，必要时还能主动发起交互，并做到实时视频流下的低延迟响应。
不过，持续看只是第一步，模型还必须知道到底该看哪里。
接下来是VLX-Seek，负责精细感知，解决的是看得准。
以机器人为例，仅仅知道“前面有一把椅子”远远不够，它还需要准确知道目标在哪里、是哪一个，才能完成跟随、抓取、导航、避障等后续动作。
但这恰恰是许多通用VLM的短板。它们虽然擅长高层语义理解，却在精确定位、开放词汇检测和细粒度Grounding等任务上表现有限，难以满足真实世界的需求。
传统方法大多采用自回归方式，一个坐标一个坐标地预测目标位置，不仅速度慢，也容易出现偏差。
Seek则换了一种思路。它不再“猜坐标”，而是先生成候选区域，再完成检索和匹配，把定位过程变成“选区域”。
具体来说，Seek用Region Token替代传统坐标生成，在保持识别能力的同时，大幅降低模型大小和端侧部署成本；
这种方式更符合视觉感知任务本身，因此即使模型规模更小，也能在开放词汇检测、细粒度定位和实时跟踪等任务上保持稳定表现，同时更适合实时追踪和端侧部署。
不过，对于物理世界来说，看得准仍然不是终点，真正的目标，是行动。
最后是VLX-Go，负责行动，解决的是动得了。
对于机器人来说，理解环境只是第一步，真正重要的是把理解转化成动作。
传统VLM即使知道“目标在左前方”，最终也大多停留在文字回答；真正走过去、绕开障碍、持续跟随目标，仍然需要额外的控制系统来完成。
Go则进一步打通了这一步。
它通过单目视频、历史视觉记忆和自然语言指令作为输入，Go将这些信息直接处理成机器人可执行的短时航点，直接预测未来一小段时间应该如何运动，而不是只输出一句文字建议。
与此同时，Go还结合离线轨迹学习和在线强化学习，在仿真闭环中不断修正运动策略，使机器人能够根据实时视觉反馈持续调整轨迹，在目标跟随、导航、动态避障等任务中保持稳定表现。
为了满足端侧实时控制的需求，Go没有采用复杂的长链路规划，而是选择了更轻量的短时航点预测方案，仅用0.6B参数，就能完成实时运动规划。
至此，VLX完成了从感知到定位再到行动的最后一块拼图。
与此同时，Flow、Seek、Go并不是三个彼此独立的模型，而是共享同一个基座，在同一条视频流上完成端到端协作。
从持续感知，到精准定位，再到行动决策，三者共同组成了VLX面向物理世界的一条完整能力链。
反观，这也是为什么仅靠一个通用VLM，很难真正扛起物理世界AI的闭环。
因为只会看，却找不准目标；看得准，却不会行动，都无法真正完成任务。
物理世界需要的，不是一个更会聊天的模型，而是一套能够从看见、看清一路衔接到行动，并持续稳定运行的系统。
而VLX，就是Om AI交出的答卷。
那么，为什么这样一套系统，必须跑在端侧？
先说结论：对于机器人、无人机、摄像头这些物理世界的设备来说，端侧部署是模型真正落地的前提。
原因嘛，并不复杂。
一个机器人在跟随目标时，等不起把视频上传云端、完成编码、再把结果传回来的几秒钟。
一架无人机在巡检避障时，也不能把“看见”和“行动”拆成两个缓慢的离线步骤。
更现实的是，很多场景本身就受到网络、隐私和算力的限制。数据未必能上传，设备未必始终联网，而真正的物理世界也不会停下来等待模型思考。
这意味着，今天很多云端多模态模型虽然已经足够强，却并不天然适合机器人和具身场景。
因为真实世界是连续的、动态的、资源受限的。模型既要实时感知、快速响应，又要在有限的算力和部署成本下稳定运行，真正完成任务。
针对这个问题，行业里常见的思路，是先训练一个尽可能大的模型，再通过量化、蒸馏等方式，把它压缩到端侧运行。
VLX选择了另一条路。
它不是把云端模型做小，而是从Day 1开始，就按照端侧的算力约束重新设计整个系统。
模型架构、推理方式和部署链路，从一开始就是围绕实时视频流和端侧设备设计，而不是等模型训练完成后，再想办法压缩部署。
本质上，这是两条完全不同的技术路线。一种是把云端模型裁剪到端侧；另一种，则是为端侧重新长出一套模型。
对此，Om AI的判断是：当你从Day 1就为端侧设计，每一层都在算力约束下做最优选择，结果就是“小而准”胜过“大而全”。
光说不算，数据也印证了Om AI的判断：Flow处理单路视频最快仅需0.06秒，同时能够稳定处理多路视频流；
Go仅用约十分之一的参数规模，就取得了优于更大模型的导航表现；
Seek则以3B级模型，在目标检测等任务上达到甚至超过了更大规模通用模型的效果。
这也是VLX最特别的地方。
它追求的并不是做一个更大的通用VLM，而是围绕真实世界的约束，重新设计一套能够持续感知、精准定位、实时行动，并真正跑在端侧的多模态系统。
聊完流式多模态，也聊完端侧，我们最后回到VLX本身。
VLX做的不是把一个多模态模型搬到端侧，而是第一次把持续感知、精准定位、行动决策做成一套能够长期连续运转的系统。
所以，严格来说，端侧流式多模态，并不是一个“更小的VLM”，而是一种新的模型形态。
过去几年，多模态模型竞争的重点，一直是谁参数更多、知识更广、推理更强，而VLX换了一道题。
它关心的不是模型能回答多少问题，而是能不能一直待在真实世界里，持续感知、实时响应，并最终完成行动。
这也是它和通用VLM最大的区别。
通用VLM更擅长复杂知识问答、长文本推理、长视频总结；
而VLX关注的是另一类问题：机器人、无人机、摄像头这些设备，如何在有限算力下持续理解环境，并完成行动闭环。
当然，两者并不是非此即彼的替代关系，而是面向不同场景的能力分工。
云端模型继续追求更强的推理和知识能力；端侧模型则越来越强调低延迟、低功耗、持续感知和实时执行。
如果说过去几年，多模态模型回答的是“看懂世界”这道题，那么VLX尝试回答的，则是另一道题：
如何让模型真正活在世界里。
最后，把视角拉回到VLX背后的团队，Om AI。
Om AI是一家来自杭州的AI公司，也是国内最早布局多模态模型的团队之一。
创始人兼CEO赵天成是CMU计算机博士、吴文俊人工智能科技进步奖得主。团队成员来自CMU、清华、浙大、微软、阿里云等机构，手握50多篇顶会论文和50多项发明专利。
赵天成博士
此前，Om AI最出圈的事件莫过于我们开头提到的VLM-R1，是首个将DeepSeek R1强化学习范式引入视觉语言模型的工作。
事实上，作为国内最早涉猎多模态领域的团队，早在2022年，Om AI就拿下了工信部第一张多模态模型认证，比大模型热潮早了整整一年。
自此，Om AI一直围绕同一个目标迭代——让多模态模型从看图说话，走向持续感知、精准定位和真实行动。
这次发布的VLX，则是这条路线的最新成果。
不同于把云端模型压缩到设备上，VLX从第一天就是围绕端侧设计。Flow、Seek、Go三款模型共享同一基座，在同一视频流上完成感知、定位与行动的协同，真正打通了感知→定位→行动的完整链路。
如果说移动互联网时代需要iOS和Android，那么端侧AI时代，同样需要一套原生的模型基础设施。
而Om AI选择做的，正是这样一套真正能够跑进手机、机器人和各种智能终端的底层能力。
体验平台链接：
https://platform.om-agent.cn/subapp-index/#/front
官网：www.om-ai.com
github:
https://github.com/om-ai-lab
huggingface:
https://huggingface.co/omlab
X: https://x.com/OmAI_lab
版权所有，未经授权不得以任何形式转载及使用，违者必究。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。