VLX-Flow：流式视频理解模型

很多视频理解模型把视频当成一个文件：整段读进去，分析一次，给出答案。摄像头、机器人和无人机的画面却是持续进来的，问题也可能在任何时刻出现。VLX-Flow 由 OmAI Lab 在 2026 年 6 月发布，它把输入切成连续的小块，每来一块就编码一次，并增量更新模型内部的记忆。用户提问时，模型从这份记忆里作答，不必把整段历史重新处理一遍。

README 的总览图画的就是这条链路：分块输入、两层记忆、低延迟交互。

核心功能

• 流式分块：视频按时间顺序切成包含少量帧的连续块，逐块处理。已经处理过的历史不再作为原始帧反复追加，而是以压缩形式保留在模型状态里。
• 两层记忆：视觉缓存保存最近的帧级细节，用来即时回答和检测事件；语义记忆保存模型从视频流和对话中积累的高层上下文，包括流式描述、已有观察、用户问题和模型回答，让较长时间的叙事保持连贯。
• 线性注意力：语言模型包含 Linear Attention 组件。标准自注意力需要随序列增长维护一份不断变大的 KV 缓存，线性注意力则把历史保存在循环状态里，新块到来时增量更新，内存增长更平缓。
• 低延迟问答：问题到达时，模型直接从已经维护好的状态回答，不必为每次交互重算全部历史。

README 对这张图的描述是定性的：Full Attention 随历史变长而持续上升；SlideWindow 用窗口重置历史，曲线呈现“上升、重置、再上升”的锯齿；VLX-Flow 通过两层记忆压缩历史，首 token 延迟保持在低位且稳定。图上没有具体的毫秒数，README 也没有公布问答准确率，因此它说明的是设计取向，还不是性能结论。

典型使用场景

• 持续描述：一位需要盯着产线或仓库的工程师，希望随时知道刚才发生了什么。README 列出的“流式字幕”能力正对应这种持续描述。
• 边看边答：机器人或无人机在移动中接收画面，同时回答“前面那个箱子还在吗”这类随时可能出现的问题。
• 事件提醒：README 提到，当模型维护的状态满足某个事件条件时，可以扩展为告警。这是 README 中的方向性描述，仓库里没有对应的实现代码。

快速上手

这个仓库目前没有可以直接安装运行的内容。根目录只有 README、LICENSE、CONTRIBUTING.md 和 assets 图片文件夹，没有模型代码。README 的 Release 部分写的是 “Checkpoints: Coming soon”，权重尚未发布。想先看效果，可以走 README 里的 “Try VLX” 入口 om-agent.com，那是 OmAI 的开发者平台，页面标题写的是“VLX 端侧流式多模态模型”。等 Release 部分列出权重后，再回来看本地部署。

小结

适合关注实时视频理解、机器人和安防场景的研究者与工程师，尤其是想跟进流式多模态模型方向的人。不适合现在就想在本地跑起来的人：仓库没有代码，权重标注为 Coming soon，README 没有给出基准分数，也没有公布参数量和训练数据。仓库使用 Apache-2.0 许可，最后一次推送是 2026 年 9 月 24 日；星标数 188 与推送日期的核对时间为 2026 年 10 月 10 日。如果你现在就需要能用的视频工具，可以看 video-use，它让编码代理直接剪辑视频。