动态

原帖正文 一段无人机航拍，满屏都是新车。我只给了一个字：车。
每一帧都框出了八九十辆。换一句红色的车，只剩几个；再问卡车，画面里没有，它老实回一个 None，一个框都不画。光会认东西不稀奇，我又出了几道考题，每道都是同一张图换一句话：
☂️ 路口几十个人，问打伞的人，只框出唯一那一个
🚗 满场的车，问最上面一排，只框那一排
🦺 工地先问没戴安全帽的，框出 2 个；反过来问戴了的，回 None
🍎 两个苹果，问左边那个，框对了这是 @OmAI_lab 开源的 VLX-Seek，演示用的是 VLX-Seek 1.5-3B。点开仓库，它的思路挺反常规：以前让大模型框东西，是让它一个个写坐标，7 个目标就是 28 个数字，写错一个框就歪。
VLX-Seek 先让检测器生成候选区域，再把候选框都编好号，模型只回答选哪几号。填空题改成了选择题，水果图 7 个目标，整段输出只有 19 个 token。1.5 专门加了无人机、监控和机器人视角的数据。开源的是 1.5-10B，权重和推理代码都放出来了，N 卡、昇腾、Mac 都能跑。
VLX-Seek 模型在线体验地址：
https://platform.om-ai.com/#/home
以后要给摄像头、无人机加一双听得懂话的眼睛，先把仓库存着：
https://github.com/om-ai-lab/VLX-Seek