大模型爱脑补，这个开源视觉模型学会了说“没有”

机器人干活前，得先看清楚。JEV 这类决策模型管判断，但判断之前，画面得有人看准，找全、数清、没有就说没有，不能有幻觉。

Om AI Lab 开源的 VLX-Seek 就是干这个的端侧视觉模型。有网友调接口实测了四段视频，都是网上找的实拍。

四个场景：

1. 航拍停车场，查“白色的车”。一帧 20 辆左右，和人工数的差一两辆，差的是被画面边缘切掉半截的。
2. 樱花大道航拍，公交轿车一堆，查“骑马的人”。桥头 3 个骑马的全框出来，旁边的车和行人一个没算。
3. 工地查“戴黄色安全帽的工人”，一帧 3 到 5 个。再查“没戴安全帽的人”，它先把画面里 13 个人的帽子颜色挨个列一遍，再排除戴了帽子的，剩下 4 个没戴。

4. 无人机飞过桥之后，再查“骑马的人”。返回 None，0 个框。

四个场景里，第四个最值得琢磨。大模型看图最爱脑补，没有的东西也能给你编一个。做产品的都懂这个坑。VLX-Seek 的选择是：没有就是没有。

为什么快？它先把画面里的候选区域编上号，每个编号对应一个区域 token。模型回答问题的时候，只说“第 3 号和第 7 号”，不用一个个吐坐标数字。传统方案让模型直接输出 [x1, y1, x2, y2] 坐标序列，多目标时输出长度成倍涨，一个格式错误就废了。VLX-Seek 把定位从“生成坐标”改成“引用区域”，几十个目标也不拖。

实测调的是官方接口，3B 版本，一次往返 1 到 3 秒，包含上传一张 1440p 图。官方数据：3B 在 Jetson T5000 上跑 1080p 图 730 毫秒。想要速度，得放到 Jetson 这类边缘设备上跑，云端调主要是方便。

不是百分百。人挤人、互相遮挡的画面偶尔会漏，这个得说在前面。10B 版本会强很多，可以去试试。

落地信息：VLX-Seek 1.5 的 10B 权重 7 月就开源了，Apache 2.0，Hugging Face 能下。接口是 OpenAI 兼容格式，messages 里塞一张图加一句话，返回直接带框坐标。有做工具产品、巡检、仓库、农业这类活的，可以试试。

GitHub：https://github.com/om-ai-lab/VLX-Seek
模型体验：http://om-agent.com

有开发者评论：先把画面看准这步确实关键，前面看岔了后面全得跟着歪。还有人说：框歪了数错了后面全废。也有人问：同一个目标在视频里反复进出画面，计数会不会重复？这问题问到点子上了。他们还有个 VLX-Flow，专门负责持续看视频流，权重还没放出来，能不能解决跨帧计数，发布后就知道了。