Om AI第二弹！VLX-Seek登场：3B小模型 细粒度感知反超Gemini
Om AI发布3B小模型VLX-Seek，在细粒度视觉感知任务上反超Gemini Pro，展现精准定位新突破。核心内容：1. VLX-Seek模型的核心能力：解决VLM“看懂却看不准”的难题2. 技术突破：将物理实体转为region token，提升定位精度与推理效率3. 性能表现：在多项基准测试中超越Gemini，适配端侧实时场景
继 VLX-Flow 之后，Om AI 把 VLX 系列推进到第二层能力：让模型在实时视觉场景中看准目标。
3B 参数的 VLM，能在细粒度感知上超过 Gemini 3.1 Pro 吗？
在 Om AI 联汇发布的VLX 端侧流式多模态模型系列中，VLX-Seek 补的就是这层能力。
它对应 VLX 体系中的精准定位层，处理的是 VLM 看得懂却看不准、传统小模型能框准却难以理解复杂语义目标的问题。
在图片问答里，模型说出“画面里有人”“桌上有杯子”，已经算完成理解。但一旦任务变成跟随、巡检、预警或导航，问题会马上变细：
如果画面里有多个人，究竟跟随哪一个？如果桌上有几个杯子，用户指的是哪一个？如果目标被遮挡，边界还准不准？
如果用户给出的不是一个简单类别名，而是一段复杂语义描述，模型又能不能理解这段描述，并把它准确落到画面中的具体目标上？
放到具体结果上，VLX-Seek-3B 在 MSCOCO val2017 上达到 45.3 mAP，超过了 Gemini 3.1 Pro 的 41.4；在更考验实例感知的 PixMo Count 上拿到 85.0，同样领先 Gemini 2.5 Pro 的 73.8。
3B 小模型能在这些任务上领先，起点是定位任务的表达方式变了。
传统坐标生成把精确数值输出交给语言模型。VLX-Seek 先把画面中的物理实体转成可被语言模型读取、引用和推理的 region token，再让模型在候选区域之间比较、选择和指代。
相关资讯
-
08.22
蚂蚁集团正秘密测试“AI版支付宝”，智能体助手或成未来核心
-
08.22
网站建设内容管理-OpenCms 富文本编辑器（TinyMCE）定制与扩展
-
08.22
私有化部署升级很麻烦？Apifox 内网环境如何做平滑热升级
-
08.22
聊天机器人（Chatbot） 和 人工智能体（AI Agent）之间有什么区别？
-
08.22
大模型在智慧公文写作中的深度应用与实践
-
08.22
使用 ChatGPT 面试作弊
游戏推荐
推荐专题
热门阅读
-
- 核处逢生如何运用武器快速寻家
- 07.06
-
-
- 本体论语义建设新思路：另类RAG来解决检索问题
- 07.06
-
推荐下载
-
-
下载
- |
-
-
下载
- 《行尸走肉第一章》免安装中文汉化硬盘版下载
- 单机|436 MB
- 一款以动作冒险为主题的游戏
-
-
下载
- 《街头霸王X铁拳》免安装中文汉化硬盘版下载
- 单机|111MB
- 一款非常好玩的格斗游戏
-
-
下载
- |
-
-
下载
- 《暗黑破坏神3》免安装繁体中文正式版下载
- 单机|7630 MB
- 一款以角色扮演为主题的游戏
-
-
下载
- 《马克思佩恩3》免安装硬盘版下载
- 单机|27033 MB
- 一款以第三人称射击为主题的游戏