LLaVA-OneVision-2.5 即将发布｜从端侧智能到物理 AI

GPT-6 Astra 和 Claude Fable 5.2 在机器人任务中的表现，让行业开始重新看待视觉语言模型在具身系统里的作用。

11月12日，在百度世界2026具身智能专场的圆桌讨论上，格灵深瞳算法研究院院长冯子勇指出，视觉模型要为机器人的下一步动作提供参考，既要看懂动作的前后变化，也要及时给出判断。

格灵深瞳选择把这项能力往端侧做，保留全帧率输入，减少对相似画面的重复计算，让模型能在现场设备上持续分析视频，及时为预警和处置提供依据。

端侧多模态大模型Glint-VL和主产品视觉智能工坊VE2S，构成了格灵深瞳把物理 AI 用到业务现场的工具集。模型在设备端持续分析画面，再通过视觉智能工坊 VE2S 的云、边、端协同，把模型的判断接入现场的预警和处置流程。经现场复核确认的误报、漏报，可以用于模型优化，验证后再部署到现场，形成「感知、推理、行动、反馈」闭环。

下周，格灵深瞳将联合 LMMs-Lab（全球知名多模态开源项目 LLaVA-OneVision 系列的研究团队）发布多模态大模型 LLaVA-OneVision-2.5。这是格灵深瞳在端侧多模态模型上的新进展。它支持流式全帧率视频理解：画面还在传入，模型就能按任务给出分析结果；需要事后核查时，同一个模型也能支持离线视频分析。

比如，机械臂把零件推到卡口时，光看一帧，很难分清零件还在往里走，还是已经停住了。把前后画面连起来看，才有判断的线索。如果这条信息能在下一步动作前给出来，机器人系统就多了一条依据，判断是继续推还是退一点重新对准。

以工业装配为例，端侧多模态大模型按作业规范检查关键步骤有没有漏做、顺序有没有做错。发现疑似异常时，视觉智能工坊 VE2S 可提醒现场人员在工件流转前复核、纠正。

下一步，格灵深瞳也将探索把这套工具集延伸到仿真训练。我们希望通过物理仿真和渲染，在虚拟环境中还原物理环境，让用户先在里面反复训练和验证模型，再到真实现场测试。

LLaVA-OneVision-2.5，下周见！