Sau khi mô hình 3B vượt trội hơn NVIDIA và Google, Om AI ra mắt mô hình VLX gốc phía thiết bị: tham số nhỏ đạt được nhận thức chính xác về thế giới vật lý

Ngày 6/8, Om AI Lianhui công bố khoản tài trợ trị giá hàng trăm triệu nhân dân tệ do Qianhai Mother Fund dẫn đầu, đồng thời mở nguồn mô hình VLX-Seek 1.5, được giới thiệu là mô hình bản địa phía thiết bị (end-side native) đầu tiên trên thế giới. Công ty định vị VLX theo hướng tiếp cận "bản địa phía thiết bị", đối lập với các chiến lược phụ thuộc vào điện toán mây (cloud) của NVIDIA, Google và các hãng khác. VLX-Seek 1.5 có hai phiên bản với 3 tỷ và 10 tỷ tham số, sở hữu kiến trúc đa phương thức dạng luồng (streaming multimodal), cho phép xử lý video theo thời gian thực ngay trên thiết bị, khác với cách xử lý theo lô (batch processing) truyền thống của các mô hình ngôn ngữ-thị giác (VLM). Trong các bài kiểm chuẩn (benchmark), phiên bản 3B vượt trội hơn mô hình LocateAnything-3B của NVIDIA ở các chỉ số LVIS Mean (57,5 so với 50,7), RefCOCOg test Mean (80,2 so với 76,8) và RefDrone F1 (73,2 so với 52,3), với mức cải thiện đáng kể trong các tình huống vật thể nhỏ và góc nhìn từ drone. Mô hình này còn giới thiệu một chỉ số đo lường hiện tượng "ảo giác mục tiêu" (target hallucination), đạt tỷ lệ dương tính giả thấp hơn (FP/GT 18 so với 71,3). Công ty cũng nhấn mạnh nền tảng agent "một bộ não, nhiều hình thái" mang tên OmAgent, giải pháp OttoPlex dành cho các tình huống hiện thân (embodied scenarios), OttoBox AI Studio được phát triển cùng Lenovo và Apple, cũng như thiết bị hỗ trợ thị giác đeo được Homer AI, hiện đang phục vụ gần 100.000 người khiếm thị. Việc mở nguồn lần này nhằm hướng tới việc thiết lập một chuẩn mực cho AI bản địa phía thiết bị trong các ứng dụng thế giới thực.