你让机器人找“左边的红杯子”，它不只要认出杯子，还得指出具体是哪一个；如果画面里没有，更不能随便框一个交差。VLX-Seek-1.5-10B 是一款面向这类具身场景的开放视觉语言模型（VLM——同时处理图像和文字的模型），规模为 10B，目标覆盖机器人、无人机、监控和巡检等边缘侧应用。
它最值得注意的改动，是不让模型直接生成边界框坐标。坐标数字格式正确，不代表位置真的准确。VLX-Seek 攧而先把候选区域变成可用语言指代的“区域 token”，再让模型选择、比较并引用对应区域。说白了，它把“现场报出四个坐标”改成“从已有选项中认准一个”，更贴近语言模型擅长的判断方式。模型还加入缺失目标的拒识训练，并用明确的 None 表示画面中没有所指物体，以减少错误定位。以上特性来自项目模型卡；材料未提供量化测试结果，实际定位精度与推理效率仍待进一步验证。