VLX-Seek-1.5-10B

VLX-Seek-1.5-10B

通过在候选区域中选择来找到并指出图像中的物体，目标不存在时回答 None。适合无人机、机器人和监控摄像头的视觉工作。

由 omlab 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：VLX-Seek-1.5-10B 是 omlab 推出的 10B 图像文本模型，用来在图片里找到并指出物体。它面向无人机、机器人、机器狗、监控摄像头和巡检系统。它不把边框坐标当数字写出来，而是从图像的候选区域中挑选，还能回答目标并不存在。

适合谁：如果你的团队需要模型说清场景里有什么，以及你指的是哪一个具体实例，它就适合你。模型卡描述的是精细感知方向的研究和开发用途。

Industry | Who uses it | How they use it | Example
机器人 | 机器人和机器狗开发者 | 给机器人的视觉模块加上区域级感知 | 在机器人视野里的几个杯子中找到对的那个
无人机 | 无人机视觉团队 | 在俯拍的密集场景里找到小物体 | 统计无人机画面里的车辆数量
安防 | 监控系统开发者 | 在摄像头画面中定位被描述的物体 | 找到描述所指的那个人
巡检 | 巡检系统团队 | 检查目标是否存在 | 目标缺失时返回 None

如果你只需要图像描述，可以跳过它，因为它面向的是与图像区域相关的回答。

用在哪里：

• 在 Windows、macOS 或 Linux 上，用 Python 和 transformers 库
• 无人机、机器人和机器狗
• 监控摄像头和巡检系统
• 边缘端设备或机器人基站

Use case | Who | What they get back
开放词汇检测 | 视觉研究人员 | 你所指定物体的定位区域
指代表达理解 | 机器人开发者 | 与描述相符的那一个区域
物体计数 | 无人机分析人员 | 有区域级证据支撑的计数
目标缺失检查 | 巡检团队 | 没有匹配时明确返回 None

如何设置：

• Python 和 pip
• 磁盘空间：BF16 文件约 20 GB，4-bit 版本约 5 GB（估算）
• omlab 的项目 GitHub 仓库，里面有推理代码

1. 安装 Hugging Face hub 包。
2. 把模型文件下载到你的电脑。
3. 打开 GitHub 上的 om-ai-lab VLX-Seek 仓库，按它的步骤完成安装和模型加载。

pip install -U huggingface_hub
hf download omlab/VLX-Seek-1.5-10B

如何使用：模型通过一条分四个阶段的自定义流程运行，模型卡把你引向仓库去看代码和可运行的示例。安装步骤、推理脚本、提示词模板和可视化示例都在那里。

Tool | What it does
Region proposals | 在图像中生成候选区域
Region tokens | 把每个区域变成语言模型可以引用的形式
Prompt formatting | 构造带有你的问题和区域的提示词
Post-processing | 把模型输出转换成最终答案

示例：给它一帧摄像头画面，让它找穿红外套的人。它会指向匹配的区域，画面里没有人符合时则回答 None。

新手与专家：你给它一张图片，问某样东西在哪里。它通过指向找到的某个区域来回答，或者说 None。第一次尝试时，先用上面两条命令下载文件，再读仓库里的示例脚本。

多数视觉语言模型会把边框坐标当成文字写出来。这个模型把候选区域变成可寻址的 token，通过选择、比较和引用这些区域来作答，这正是语言模型擅长的事。1.5 版本增加了更强的辅助视觉塔、更快的 OPN 候选生成、更多 Linear Attention 层以提升速度并降低内存占用，还有针对 None 输出的困难负样本训练。omlab 为 1.5 系列计划了 0.6B、3B 和 10B 三种规模，本页介绍的是最大的那个。

图像连同你的问题一起输入
提出候选区域
区域变成可寻址的 token
模型选择并引用区域
得到区域答案或 None

注意事项：模型支持中文和英文。模型卡用图片表格和一篇博客展示结果，所以这里不引用具体分数。

• License: Apache 2.0
• Cost to run: 没有提到 API 密钥或付费服务，硬件要你自己准备
• Data it reaches: 从 Hugging Face 下载模型文件，并处理你提供的图像
• Not for: 精细感知之外的工作，因为模型卡只列出了该方向的研究和开发用途

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：10B
• Weights: about 20 GB in BF16; about 5 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：137,772
• 点赞：39
• 许可证：apache-2.0
• 语言：zh, en
• Quantized versions: 1
• 标签：transformers, safetensors, vlx_seek_1_5, text-generation, object-detection, grounding, multimodal, zero-shot-object-detection, image-text-to-text, conversational

链接

• 模型：https://huggingface.co/omlab/VLX-Seek-1.5-10B
• 文件：https://huggingface.co/omlab/VLX-Seek-1.5-10B/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download omlab/VLX-Seek-1.5-10B

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。