Om AI联汇发布VLX：端侧流式多模态模型系列
VLX是首个面向物理世界的端侧流式多模态模型，让AI像人一样边看边理解、边行动。
传统视频理解模型需要看完整个片段才能回答，而Om AI联汇的VLX系列采用“流式多模态”架构，像人一样持续观察环境并即时响应，延迟最低0.06秒。三个子模型分别负责实时感知、精准定位和行动执行，让设备实现自主决策，适合机器人等终端应用。
正文摘录
Om AI 联汇发布 VLX：全球首个面向物理世界的端侧流式多模态模型 源公司：量子位 Om AI 联汇正式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，首次在业界提出 流式多模态 这一全新模型架构。区别于传统视频理解模型将整段视频切帧后一次性离线处理的方式，VLX 系列面向物理世界中持续涌入的视频流，以流式编码与缓存增量推理实现毫秒级实时感知，并首次在端侧打通 持续感知 → 精准定位 → 行动决策 的完整闭环。 VLX 系列由三款模型协同构成，围绕实时物理智能构建完整能力体系：VLX-Flow 负责持续感知，通过增量编码与缓存推理机制，让模型像人一样持续观察环境而非被动等待提问，新画面随时吸收，提问瞬间响应。VLX-Seek 负责精准定位，创新性地将坐标生成转化为区域检索——不是让模型 猜坐标，而是从候选区域中 选区域，为端侧设备提供可靠的空间感知能力。VLX-Go 负责行动执行，将视觉理解直接转化为机器人可执行的短时航点与运动轨迹，而非输出文本建议，让设备自主完成跟随、避障与导航。 在这一全新范式下，视觉信息不是以 截一帧 的方式进入模型，而是以 连续流 的方式持续进入。模型不是 看完再说，而是 边看边理解、必要时主动行动。这对应的不是 更好的人机对话体验，而是 AI 自主工作能力的质变。 为了应对物理世界的 AI 必须直面三个刚性约束：时间是连续的、环境是动态变化的、终端算力是资源受限的，VLX 系列完全围绕实时视频流与端侧设备原生构建——不是将云端模型压缩后塞进终端，而是从架构层面为端侧具身智能重新设计——以 快（流式推理，单路延迟最低 0.06 秒）、小（轻量化选型，覆盖 0.6B 至 10B 规格）、准（细粒度定位）、行（感知执行闭环）四大优势，实现从持续感知到行动决策的端侧闭环。