3BモデルがNVIDIAとGoogleを凌駕した後、Om AIが端末ネイティブVLXモデルを発表：小規模パラメータで物理世界の精密な認識を実現

8月6日、Om AI Lianhuiは前海母基金が主導する数億元規模の資金調達を発表し、同時に「世界初のエンドサイドネイティブモデル」とされるVLX-Seek 1.5をオープンソース化しました。同社はVLXを「エンドサイドネイティブ」アプローチと位置づけ、NVIDIAやGoogleなどのクラウド依存戦略とは対照的です。VLX-Seek 1.5は30億パラメータ版と100億パラメータ版があり、従来のVLM（ビジョン言語モデル）のバッチ処理とは異なり、デバイス上でビデオストリームをリアルタイムに処理するストリーミングマルチモーダルアーキテクチャを特徴としています。ベンチマークでは、30億パラメータ版がNVIDIAのLocateAnything-3BをLVIS Mean（57.5対50.7）、RefCOCOg test Mean（80.2対76.8）、RefDrone F1（73.2対52.3）で上回り、小物体やドローン視点のシナリオで大幅な改善を示しました。また、モデルはターゲット幻覚指標を導入し、誤検出率（FP/GT 18対71.3）を低減しました。同社はさらに、「一つの脳、多様な形態」のエージェントプラットフォームであるOmAgent、身体化シナリオ向けのOttoPlex、LenovoおよびAppleと共同開発したOttoBox AI Studio、そして約10万人の視覚障害者ユーザーにサービスを提供するAIウェアラブル視覚アシスタントのHomer AIを紹介しました。オープンソース化は、物理世界アプリケーションにおけるエンドサイドネイティブAIの標準を定義することを目的としています。