Om AI联汇近日宣布，其旗下全球首款端侧原生模型VLX-Seek 1.5正式开源。该模型主打“端侧原生”路线，不依赖云端大算力，也不绑定单一硬件平台，而是从模型架构层就将延迟、功耗、算力、部署成本作为设计前提。在公开评测中，其3B参数版本在多项任务上超越了英伟达同规模的LocateAnything-3B，引发业内对“小参数实现物理世界精准感知”可能性的关注。
传统视觉语言模型（VLM）的工作流通常是：摄像头拍照、上传云端、等待推理、返回结果。这种方式延迟高、带宽依赖大、隐私不可控，而且把物理世界的连续感知切割成一帧帧静态快照。VLX-Seek 1.5则接收视频流持续输入，在端侧实时理解并动态输出决策，形成从“拍照识别”到“视频流理解”的范式变化。公司认为，这正是其能在同参数级别赢过巨头的原因——关键不在参数，而在架构。
在VLX-Seek 1.5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。同场比较的模型包括自家上一版VLX-Seek、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，还在无人机定位、具身设备空间推理等场景中展现出竞争力。
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）上达到57.5，相比LocateAnything-3B的50.7，提升13.4%。在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）上达到80.2，相比LocateAnything-3B提升3.4%。
对于无人机这类目标小、距离远、视角高、环境复杂的场景，传统模型容易漏检或误判。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的35.6提升62.9%。这些结果说明，在极端视角和小目标场景下，端侧原生架构正展现出不同于传统路线的效率优势。
针对机器人、无人机和安防系统对安全性的高要求，VLX-Seek 1.5引入了目标幻觉指标，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。公司认为，知道什么时候说“不知道”，反而是智能走进真实物理世界的重要标志。
Om AI联汇近期完成数亿元融资，市场解读为资本市场开始为端侧原生范式定价。公司还透露，消费端已携手联想、苹果推出AI PC“OttoBox AI Studio”，其自研可穿戴AI视觉中枢Homer AI已服务全国近10万视障用户，平台月均AI调用达千万次。这些布局表明，Om AI联汇的目标不仅是成为一家模型公司，更希望成为端侧原生智能时代的基础设施提供者。
从行业格局看，全球物理AI模型路线正呈现多元化：Physical Intelligence的π系列探索云端通用机器人策略模型，Google Gemini Robotics沿云端VLA方向推进，Tesla Optimus则强调模型与机器人本体的闭环。Om AI联汇的端侧原生路线另辟蹊径，试图通过更适合物理世界的架构提高单位参数价值。未来真正拥有最大价值的，或许不是参数最多的模型，而是能让机器人、无人机和智能终端规模化运行的基础设施。