Kun 3B-malli päihittää NVIDIA:n ja Googlen, Om AI julkaisee päätelaitenatiivin VLX-mallin: Pienet parametrit saavuttavat tarkan fyysisen maailman hahmotuksen

Elokuun 6. päivänä Om AI Lianhui ilmoitti useiden satojen miljoonien juanien rahoituksesta, jonka johti Qianhai-emorahasto, ja julkaisi samanaikaisesti avoimen lähdekoodin VLX-Seek 1.5:n, jota kuvataan maailman ensimmäisenä päätelaitepohjaisena natiivimallina. Yritys asemoi VLX:n "päätelaitepohjaiseksi natiiviksi" lähestymistavaksi, toisin kuin pilviriippuvaiset strategiat, joita NVIDIA, Google ja muut käyttävät. VLX-Seek 1.5:stä on saatavilla 3B- ja 10B-parametriset versiot, ja se sisältää streaming-monimodaaliarkkitehtuurin, joka käsittelee videovirtoja reaaliajassa laitteessa, toisin kuin perinteinen VLM-eräkäsittely. Vertailutestissä 3B-versio ylitti NVIDIAn LocateAnything-3B:n LVIS-keskiarvossa (57,5 vs 50,7), RefCOCOg-testin keskiarvossa (80,2 vs 76,8) ja RefDrone F1:ssä (73,2 vs 52,3), ja parannuksia oli merkittävästi pienkohde- ja drooninäkymäskenaarioissa. Malli esittelee myös kohdehallusinaation mittarin, joka saavuttaa alhaisemmat väärien positiivisten osuudet (FP/GT 18 vs 71,3). Yritys korosti myös "yksi aivot, useita muotoja" -agenttialustaansa OmAgent, OttoPlexiä kehollisiin skenaarioihin, OttoBox AI Studiota, joka on kehitetty yhdessä Lenovon ja Applen kanssa, sekä Homer AI -puettavaa visuaalista avustajaa, joka palvelee lähes 100 000:ta näkövammaista käyttäjää. Avoimen lähdekoodin julkaisun tavoitteena on määritellä standardi päätelaitepohjaiselle natiiville tekoälylle fyysisen maailman sovelluksissa.