在拉斯维加斯举办的CES展会上，英伟达创始人兼CEO黄仁勋宣布，AI技术正式迈入物理世界的新阶段。他指出，AI的演进经历了感知、生成、智能体和物理四个阶段，而真正让AI走出屏幕的关键，在于理解质量、摩擦、惯性等物理特性。黄仁勋强调，机器人等物理设备需要的不只是单一模型，而是一套完整的智能系统。
随着AI技术向物理世界渗透，机器人、无人机、安防摄像头和可穿戴设备等场景对AI的需求发生了根本性变化。这些设备不再满足于简单的问答交互，而是需要具备持续工作、主动执行任务的能力。业内专家指出，通用视觉智能将成为物理AI规模化应用的核心技术，其重要性甚至超过了一些表演性场景。
通用视觉智能要求模型能够像人类一样持续观察环境、精准定位目标并自主驱动行动，且所有处理必须在端侧完成。近日发布的VLX端侧流式多模态模型系列，正是这一技术路径的最新成果。该系列首次提出"流式多模态"架构，突破了传统模型"采集-上传-离线处理"的模式，实现了对持续视频流的毫秒级实时感知，并在端侧完成了从感知到决策的完整闭环。
VLX系列包含三个核心模型：Flow、Seek和Go，分别对应持续感知、精准定位和行动输出三层能力。Flow模型采用流式视频输入架构，可自主不间断运行，无需人工触发；Seek模型通过区域指代机制实现毫米级空间定位，解决了传统模型只能描述画面内容却无法输出精确坐标的问题；Go模型则能直接输出设备可调用的导航航点，支撑机器人自主移动。
基准测试数据显示，VLX系列在多项指标上超越了主流大模型。Seek-3B在目标检测、复杂语义理解等任务中，以30亿参数实现了与Gemini 3.1 Pro和GPT-5相当的精度；Go（0.6B）在机器人导航任务中，以极小参数量实现了85.42%的高成功率，跟踪率达94.08%，显著领先于参数量大13倍的对比模型。端侧推理延迟仅0.1秒，较云端推理的5秒以上有了质的提升。
这种性能突破源于架构层面的创新。传统模型依赖长上下文处理视频输入，本质仍是离线模式。VLX则构建了持续运转的"视觉中枢"，视频流像水一样流入模型，形成不间断的感知流。技术团队针对端侧算力约束进行了专门优化：Flow采用Linear Attention机制防止显存溢出；Seek通过区域指代降低计算量；Go使用短时航点预测实现快速响应。
VLX系列已在实际场景中实现大规模落地。在具身智能领域，该模型支持云深处、宇树等企业的机器人平台，显著缩短了算法迁移周期；无人机搭载VLX后，可自主完成巡检、避障和航线规划，效率提升数倍；在可穿戴设备方面，好马APP已服务近10万视障用户，通过AI助视眼镜实现安全避障和空间导航。VLX还完成了与苹果、联想、惠普、英伟达等品牌的端侧适配，为PC设备注入实时视觉理解能力。
针对国产芯片算力受限的问题，VLX通过专门优化实现了在华为昇腾、地瓜、RK3588等平台上的流畅运行。这种从端侧需求出发的设计思路，使部署成本大幅降低，实时响应能力提升数十倍，为物理AI的普及提供了可行路径。目前，VLX系列模型已向开发者开放体验平台，进一步降低了端侧智能应用的研发门槛。
