11 月 18 日,格灵深瞳(688207.SH)联合国际知名多模态开源研究团队LMMs-Lab正式发布多模态大模型LLaVA-OneVision-2.5。
据介绍,该模型同时支持视频流式实时理解与离线录像分析。以往业内通常需要两套独立模型,分别实现这两项能力,现在可整合部署在单台边缘计算盒子上。在视觉定位评测RefCOCO val上,LLaVA-OneVision-2.5-4B-Instruct取得92.6(Acc@0.5),创下4B级通用开源模型最优成绩,较同规模Qwen3.5-4B 高出3.5分。
此外,格灵深瞳合作的LMMs-Lab ,在多模态开源赛道具备极高的行业影响力。LMMs-Lab 开发了开源多模态评测框架 lmms-eval,早在2026年5月双方推出的LLaVA-OneVision-2.0中,团队提出Codec-Stream码流建模范式,其8B模型在时空定位基准JumpScore上达到74.9 mAP,较同尺寸Qwen3-VL-8B高出44.8分。
本次 2.5 版本是双方合作的延续,标志着前沿算法能力进一步转化为可在边缘端部署的工程化产品。目前,该模型已在 HuggingFace 开放下载。
端侧视频理解:物理AI的感知入口
早前 2.0 版本,模型重点解决的是高效分析已录制长视频的问题。而升级至 2.5 版本后,模型的判断节点前移,在视频流实时传入的过程中即可完成识别,既能按照指令对目标事件实时告警,也能回溯回答刚刚发生的画面内容。
为实现这一能力,2.5 版本保留全帧率视频输入,算力优先分配至画面变动区域。视频解码阶段逐帧校验,依托编码信息定位画面变化区域,静止重复区域不再重复运算。叠加最高 64 倍时间压缩、9 倍空间压缩策略,有效降低边缘设备持续处理视频的算力开销,做到减少相邻帧的重复计算,同时不漏过任何一帧画面。
格灵深瞳公开的实测视频直观展现了这套能力:在搭载RK3588、RK1828芯片的边缘盒子上,模型接收指令“只在火箭进球时提醒我”,流式处理1080p、60fps的NBA比赛回放。火箭扣篮命中便立刻触发提醒,后续还能准确识别扣篮球员为Amen Thompson,并且全程不中断画面处理。实测数据显示,模型2B、4B版本在1秒观察窗口结束后,分别平均0.70 秒、0.82秒输出结果;接入DeepBot 智能体后,识别到的进球片段还能自动剪辑生成高光集锦。
对比传统抽帧方案,这套算力优化思路在落地项目中具备明确价值。过去为适配边缘设备算力上限,行业大多采用间隔抽帧的方式,很多转瞬即逝的动作容易落在帧间隙中。放在工业巡检、轨交运维等场景,关键动作漏检会直接带来业务风险。有分析人士提到,不少落地项目正是因为抽帧丢失细节,导致算法上线后实际可用场景受限。而这套 “看” 与 “算” 分离的方案,为行业痛点提供了可行的解决路径。
这次实测也解释了格灵深瞳为什么从端侧视频理解切入物理 AI,把模型放到离现场更近的设备上,视频还在输入时就能分析,结果也就有机会接入现有的业务流程。接下来要看的,是这套能力能适配多少现有设备,部署和维护成本能不能被客户接受。这些条件,决定了它能不能从一次实测走向更多项目。
端侧商业化:218 亿升级缺口
实际上,LLaVA-OneVision-2.5填补的这个空缺,市场上早有需求在等。
IDC预测显示,2026年中国AI边缘计算盒子市场规模将达218.6亿元,同比增长42.3%;2026 年一季度全球边缘AI芯片出货量同比增长45%,同期云端AI芯片仅增长12%,算力重心正从云端向边缘下沉,超过七成企业已有在边缘部署AI推理的计划。
不过,这些盒子过去跑的大多是抽帧后的传统算法,多模态大模型的能力长期进不了这个市场:制约环节不仅在算力,也在模型本身。一款能在RK3588这类存量芯片上完成全帧率流式视频理解的模型,等于向这个两百多亿规模、仍在高速扩张的市场递交了一张入场券。工业质检、智能交通、机器人,恰恰是IDC点名的增长最快的增量场景。
把这个数字放回公司体量上看,反差更直观:19日收盘格灵深瞳总市值约 38.12亿元,而它所面向的边缘计算盒子市场,2026年全年规模预计达218.6亿元。也就是说,公司当前市值不到其目标市场规模的五分之一。这个比值本身不代表估值高低,但它解释了这家公司为何在收入调整期仍持续加码研发。
从更大的产业面看,根据2026年5月底公开披露的信息,中国人工智能核心产业规模已突破万亿元,具身智能是增长最快的分支之一。多家券商研究观点认为,视觉感知与决策模块在具身智能产业链中的价值占比将持续提升,拥有成熟工业场景方案能力的公司会优先受益。
对格灵深瞳的估值,券商也给出了分析框架。国泰海通证券计算机团队就在研报中特别强调,对于格灵深瞳这类技术驱动型公司,估值的关键在于研发成果的产品化率与大客户订单的落地节奏,单一的市盈率指标已难适用。LLaVA-OneVision-2.5恰好提供了一个可验证的产品化样本,开源模型能力、边缘硬件实测验证、VE²S流程接入,三层能力在同一时间点上完成对齐。
公司财报显示,2026年前三季度研发投入1.19亿元,同比增长10.98%,在收入调整期实现逆势加码。而这份研发投入有着明确的战略指向:将模型做轻,压进RK3588这类存量边缘芯片;将判断交给VE²S,接进客户现有流程;以真实业务场景反哺模型迭代。研发投入因此不是当期费用,而是“端侧+物理AI”路径的预备弹药。支撑这笔投入的,是稳健的资产负债结构,公司短期偿债能力充裕,加码仍有空间。市场关注度也在升温,交易数据显示,公司融资余额占流通市值的比重已处于历史较高分位。
行业研究的判断也与这一框架同向,盘古智库相关研究员就指出,LLaVA-OneVision-2.5推理全部在本地完成、视频无需回传云端,既省下带宽成本,也满足了许多行业 “数据不出场” 的合规要求,大量存量边缘设备不必升级硬件就能用上多模态视频理解。由此可见,端侧多模态未必靠堆大参数、堆昂贵算力,把核心能力做轻做稳、实实在在解决现场问题,商业化空间才会真正打开。
回头来看,这张入场券的价值,不在开源榜单上的92.6分,而在于它把多模态大模型从云端搬到了存量边缘硬件上。过去挡住端侧落地的两道门槛:算力不够、模型不适配,被同一套架构同时绕开。218.6 亿元的盒子市场,由此才具备了 “看懂实时视频” 的升级基础。
对格灵深瞳来说,开源社区的评测公信力是入口,边缘实测是门票,VE²S接入是通道,最终要兑现的仍是订单与收入结构。技术路线已经跑通,真正的变量是节奏,这条路径能否从单个样本变成规模生意,答案在接下来几个季度的订单里。