Om AI推3B端侧VLX模型，瞄准物理世界视觉感知

Om AI近日发布了一款端侧原生视觉语言模型VLX，参数规模为3B，目标是让设备直接理解摄像头看到的物理世界，而不是把视频或图片上传到云端再等待结果。

VLX是一类能够同时处理视觉输入与语言指令的视觉语言模型。与主要负责图片问答的通用VLM不同，Om AI此次强调的是端侧原生和物理世界感知：模型需要在手机、机器人、可穿戴设备、智能摄像头等本地硬件上运行，并持续理解空间、物体、动作、距离和环境变化。

这款模型最值得关注的地方，不是3B这个参数数字本身，而是它试图回答一个长期被大模型行业回避的问题：当模型离开数据中心，进入一个算力、内存、电量都受限的真实设备后，究竟还能不能稳定地看懂世界。

3B模型为什么值得讨论

3B模型是指拥有约30亿参数的神经网络模型。它通常比7B、14B甚至更大规模的模型更容易部署到本地设备，但在复杂推理、长上下文和开放域知识方面往往需要做出取舍。

过去几年，视觉语言模型的竞争逻辑很简单：更大的视觉编码器、更长的上下文、更强的云端GPU，以及更多图像和视频数据。这样的路线可以快速拉高实验室评测成绩，却很难直接迁移到端侧。一个模型即使在数据中心里表现出色，也可能因为显存占用、首帧延迟、持续运行功耗和散热问题，无法进入手机、机器人或智能眼镜。

Om AI的思路更接近端侧原生设计：从模型结构、训练任务到推理路径，都围绕设备上的持续感知进行优化，而不是先训练一个云端大模型，再通过压缩、量化和裁剪把它塞进终端。

这两者的差别，可以类比为造一辆城市电动车和把一辆重型卡车改造成电动车。后者未必不能跑，但车身、能耗和传动结构决定了它很难真正适应城市道路；前者从一开始就围绕续航、转弯半径和低速响应设计。

端侧原生，核心不只是本地运行

端侧原生模型是从架构和训练阶段就以本地设备部署为目标的模型，而不是单纯将云端模型压缩后放到终端上。

这一定义非常重要。很多所谓端侧AI，实际采用的是云端模型蒸馏、低比特量化或小模型替代方案。这些方法依然有价值，但它们通常是在模型训练完成后才考虑设备限制。端侧原生则更进一步：模型要从一开始就理解低功耗芯片的计算方式、有限内存的缓存策略，以及连续摄像头输入带来的实时性要求。

对于视觉感知来说，端侧原生至少涉及四个层面：

• 输入侧优化： 不把每一帧画面都当成全新图片处理，而是关注前后帧之间发生的变化，减少重复计算。
• 视觉编码效率： 在保持物体、动作和空间关系信息的同时，降低视觉特征的数量，避免视觉编码器成为推理瓶颈。
• 语言与动作对齐： 模型不只回答这是什么，还要理解在哪里、正在发生什么，以及下一步是否需要采取动作。
• 硬件协同： 针对手机NPU、边缘GPU、机器人计算模块等不同硬件进行量化和算子优化，让理论速度可以转化为实际帧率与延迟。

因此，3B并不等于简单的小模型。真正的难点是：在较小参数规模下，模型是否保留了足够的空间理解能力，能否在动态场景中持续工作，并且在错误判断时提供可控的置信度。

从看图问答转向理解物理世界

传统视觉语言模型最常见的演示，是上传一张照片，询问画面中的物体、文字或人物。它们擅长静态图像描述，却不一定擅长处理真实环境中的连续变化。

物理世界视觉感知是让模型理解现实空间中物体、动作、位置、时间和因果关系的能力。例如，模型不仅要识别桌上有一个杯子，还要知道杯子位于机械臂右前方约30厘米处；不仅要判断有人走进房间，还要区分这个人是在靠近设备、拿走物品，还是只是从背景经过。

对端侧设备而言，以下几个能力比单次图片问答更关键：

1. 空间关系理解。 能够区分前后、左右、远近、遮挡和相对位置。
2. 时间连续性理解。 能够比较连续画面，判断一个物体是新出现、正在移动，还是已经离开视野。
3. 小目标与细节识别。 能够在低分辨率、复杂光照和部分遮挡下识别按钮、标签、工具和障碍物。
4. 动作与意图判断。 能够把人的手势、物体移动和环境变化联系起来。
5. 语言指令落地。 能够把拿起红色物体、避开地上的箱子等自然语言转换为可执行的视觉目标。

这也是VLX与普通图片描述模型之间的分水岭。图片描述追求把画面说对，物理世界感知则要求模型在时间和空间中持续做对判断。

据报道，3B VLX在部分测试中超过英伟达与谷歌方案

据近日公开报道，Om AI将这款3B VLX与英伟达、谷歌的相关视觉方案进行了对比，并宣称其在部分物理世界感知测试中取得领先表现。

需要注意的是，目前公开材料并未完整披露所有测试集、硬件环境、量化位宽、输入分辨率、延迟、功耗以及各项具体分数。因此，超过英伟达和谷歌这一结论，更适合被理解为特定任务和特定端侧场景下的结果，而不是3B模型已经全面击败所有更大规模视觉模型。

模型评测中，硬件和任务定义会显著影响最终结论。一个模型在视频动作识别上领先，不代表它在OCR、复杂图片问答或开放域视觉推理上同样领先；一个模型在统一GPU服务器上吞吐量更高，也不意味着它在手机NPU或机器人芯片上延迟更低。

| 对比维度 | Om AI 3B VLX | 云端大型视觉模型 | 传统端侧视觉模型 | |---|---|---|---| | 参数规模 | 约3B | 通常更大，具体规模视产品而定 | 通常较小或任务专用 | | 部署位置 | 目标是手机、机器人、可穿戴设备等端侧 | 主要依赖数据中心 | 端侧部署 | | 主要能力 | 物理世界视觉感知、视觉语言交互 | 综合视觉理解、复杂推理 | 检测、分类、分割等固定任务 | | 数据依赖 | 可在本地处理视觉输入 | 通常需要上传至云端 | 本地处理 | | 实时性 | 重点优化连续感知和低延迟 | 受网络往返和服务器负载影响 | 通常较好 | | 灵活性 | 通过语言指令适配不同任务 | 灵活性高 | 依赖预先定义的任务 | | 主要短板 | 复杂推理和开放域知识可能受限 | 成本、隐私、网络和延迟 | 泛化能力与交互能力有限 |

如果Om AI披露的测试方法足够严谨，那么它的意义并不在于用3B模型替代所有云端大模型，而在于证明：针对真实设备重新设计的小模型，可以在特定视觉任务上击败参数更大、但没有针对端侧场景深度优化的方案。

为什么物理世界感知必须走向端侧

端侧视觉模型是直接在本地设备处理摄像头、图片或视频输入的AI模型。它的价值首先来自实时性、隐私和可靠性，而不只是节省云端推理费用。

第一，端侧能显著降低交互延迟。机器人避障、智能眼镜识别路牌、手机辅助拍摄和工业设备异常检测，都不适合等待网络请求完成。对于需要连续感知的场景，延迟不是一次请求的耗时，而是模型能否跟上现实变化的问题。

第二，端侧可以减少隐私暴露。摄像头看到的画面往往包含人脸、家庭环境、办公文件、工厂流程和位置信息。将原始视频持续上传云端，会带来合规、存储和数据泄露风险。本地完成初步识别，只上传必要的结构化结果，能够减少敏感数据离开设备的机会。

第三，端侧具备离线可用性。地下车库、山区、飞机、工厂内网和网络拥堵环境都可能让云端服务失效。对于机器人和工业设备而言，断网时无法识别障碍物并不是体验问题，而是安全问题。

第四，端侧更适合高频任务。云端模型适合复杂、低频、需要强推理能力的请求；端侧模型则更适合持续运行的基础感知。两者并不是互相替代，而是可以形成分工：本地模型负责低延迟筛选和实时响应，云端模型只处理少量复杂问题。

3B规模的现实边界

3B模型的最大优势是部署成本较低，但它不可能在所有任务上同时达到云端大模型的水平。

对于实时物体识别、场景描述、简单空间关系和固定领域的视觉指令，3B模型可能已经足够。对于多步视觉推理、长视频理解、复杂表格分析、专业医学影像以及需要大量外部知识的任务，更大模型仍然具有明显优势。

此外，端侧模型的有效能力不仅由参数规模决定，还取决于以下因素：

• 视觉编码器的设计是否适合低分辨率和动态输入；
• 训练数据是否覆盖真实世界中的遮挡、反光、运动模糊和极端光照；
• 模型是否经过设备级量化，而不是只在服务器上测试浮点版本；
• 推理框架是否调用了NPU、DSP或专用视觉加速单元；
• 是否公布真实端到端指标，而不是只报告理论TOPS或单项准确率。

其中，端到端指标尤其关键。开发者真正关心的是设备能否稳定达到目标帧率，首帧延迟是多少，连续运行30分钟后是否降频，模型占用多少内存，以及在低电量模式下是否仍可用。

如果没有这些数据，3B模型的端侧优势仍然停留在方向判断，而不是可直接采购和部署的工程结论。

对开发者意味着什么

Om AI这次发布，对开发者最直接的启发是：视觉模型的竞争正在从单纯的准确率竞争，转向任务、设备和系统协同优化。

过去做一个视觉应用，通常是调用云端视觉接口，再围绕返回结果编排业务流程。未来在机器人、智能硬件和工业场景中，开发者需要重新考虑模型应该放在哪里：哪些判断必须在本地完成，哪些问题可以交给云端，哪些原始视频根本不应该离开设备。

一个更现实的端云协同架构可能是三层：

• 设备端小模型： 负责持续感知、目标检测、简单指令和安全相关判断。
• 边缘节点模型： 负责同一空间内多设备协同、视频汇总和中等复杂度推理。
• 云端大模型： 负责跨场景分析、知识检索、复杂规划和模型迭代。

在这个架构中，3B VLX的价值不是替代云端，而是成为设备的视觉操作系统。它负责把连续、嘈杂、未经整理的现实画面，转化成更高层的事件和状态，例如发现有人靠近、桌面上缺少某个工具、前方存在可移动障碍物等。

这类模型一旦稳定，应用边界会比单纯的聊天机器人更广。智能眼镜可以在本地识别标牌和物体，家用机器人可以理解家庭空间变化，工业摄像头可以在断网时完成初步异常判断，汽车座舱也可以减少对云端的依赖。

Om AI这次发布真正押注的是什么

Om AI押注的不是更大的模型，而是更适合物理世界的模型形态。

从云计算到云原生，产业真正的跃迁从来不是简单堆算力，而是找到更适合新世界的架构。对于物理世界AI来说，现实世界的输入是持续的、混乱的、低延迟的，并且经常受到网络、功耗和隐私约束。把一个依赖云端的模型缩小，并不一定能解决这些问题；重新围绕端侧感知设计，才可能建立新的产品基础。

但这款3B VLX能否成为真正的开发者基础设施，还要看后续信息是否完整，包括模型权重或部署方式、支持的芯片平台、量化版本、真实设备跑分、功耗数据、许可协议以及是否提供可复现实验。

截至2026年8月10日，Om AI公开释放的信号已经足够明确：端侧视觉模型正在从演示功能走向独立的模型赛道。3B参数不是终点，却可能是一个重要的工程甜点位——在足够小的计算预算下，换取比传统专用视觉模型更强的泛化和语言交互能力。

我们的判断是，这款VLX值得关注，但暂时不宜用3B击败大模型这样的标题替代完整评测。真正决定它市场价值的，不是实验室里多赢了几个百分点，而是能否在一台真实的手机、机器人或智能眼镜上，连续运行、低延迟响应，并在复杂环境中少犯关键错误。只有做到这一点，端侧原生才不是模型宣传语，而会成为物理世界AI的基础能力。

参考来源

• Hugging Face：开源模型、数据集与模型部署生态，可用于后续查询VLX是否公开权重及相关实现。
• GitHub：开源代码与端侧推理框架发布平台，可用于跟踪Om AI后续是否公布部署工具、量化版本和评测脚本。