Nachdem das 3B-Modell NVIDIA und Google übertrifft, bringt Om AI das endseitig native VLX-Modell auf den Markt: Kleine Parameter erreichen präzise Wahrnehmung der physischen Welt

Am 6. August kündigte Om AI Lianhui eine Finanzierung in Höhe von mehreren hundert Millionen Yuan an, angeführt vom Qianhai-Mutterfonds, und veröffentlichte gleichzeitig VLX-Seek 1.5 als Open Source, das als das weltweit erste endseitig native Modell beschrieben wird. Das Unternehmen positioniert VLX als einen "endseitig nativen" Ansatz, der im Gegensatz zu den cloudabhängigen Strategien von NVIDIA, Google und anderen steht. VLX-Seek 1.5 ist in Versionen mit 3B und 10B Parametern erhältlich und verfügt über eine streaming multimodale Architektur, die Videostreams in Echtzeit auf dem Gerät verarbeitet, anders als die Stapelverarbeitung herkömmlicher VLM. In Benchmarks übertraf die 3B-Version NVIDIAs LocateAnything-3B im LVIS-Mittelwert (57,5 gegenüber 50,7), im RefCOCOg-Test-Mittelwert (80,2 gegenüber 76,8) und im RefDrone-F1 (73,2 gegenüber 52,3), mit signifikanten Verbesserungen bei Szenarien mit kleinen Objekten und Drohnenansichten. Das Modell führt außerdem eine Metrik für Ziel-Halluzinationen ein, die niedrigere Falsch-Positiv-Raten erreicht (FP/GT 18 gegenüber 71,3). Das Unternehmen hob auch seine Agentenplattform "ein Gehirn, mehrere Formen" OmAgent hervor, OttoPlex für verkörperte Szenarien, OttoBox AI Studio, das mit Lenovo und Apple entwickelt wurde, sowie den Homer AI Wearable Visual Assistant, der fast 100.000 sehbehinderten Nutzern dient. Die Veröffentlichung als Open Source zielt darauf ab, einen Standard für endseitig native KI in Anwendungen der physischen Welt zu definieren.