OMLab 發布了 VLX-Seek-1.5-10B，這是一個針對邊緣端具身視覺優化的 100 億參數視覺語言模型。此次更新採用了增強的輔助視覺塔（Aux Vision Tower）和 VLM 骨干，以提升細粒度感知和物件定位能力。該模型支援開放詞彙檢測（Open-vocabulary detection），能夠根據靈活的文字標籤找到目標，並專門設計用於識別物件的位置、指定特定的實例，以及在具身環境中檢測目標。此次發布為開源社群提供了一個具備精確定位能力的本地 VLM，滿足了對超越單純圖像理解模型的需求。對於需要即時細粒度感知的機器人和邊緣裝置開發者而言，這是一款極具價值的工具。

事件背景

視覺語言模型（VLM）是處理視覺和文字資料以理解圖像的 AI 系統。細粒度感知指的是區分視覺上相似物件並定位圖像中特定實例的能力，這對於機器人導航等任務至關重要。