视觉语言大模型的自主执行：极视角自研视觉语言大模型如何赋能机器感知

2026年，人工智能大模型与智能体正从实验室走向产业现场。巡检机器人、智能安防系统、工业自动化设备等终端被期待能够自主感知环境、理解自然语言指令并精准执行任务。

然而，在实际落地中，大模型智能体应用普遍面临视觉能力瓶颈——无法准确理解复杂背景下的目标、难以根据模糊描述定位对象、无法对画面内容进行推理问答，导致决策失误与任务中断。

当前大量产业智能体所依赖的传统计算机视觉模型，其识别能力局限于预定义的有限类别。一旦遇到训练集中未出现的目标，系统便无法响应。同时，真实产业指令往往包含空间关系与属性描述，例如“那个在第二个路口左转的红色行人”，传统模型难以解析此类自然语言。即便完成目标检测，智能体也缺乏对画面内容的深度理解能力，无法回答“传送带上是否有物品堆积”等推理类问题，从而制约下游决策的可靠性。

在计算机视觉领域深耕逾十年的极视角，自主研发出了星际视觉语言大模型4B版本。据了解，该模型从底层能力设计上针对智能体需求具有八大能力，重点聚焦开放词汇目标检测（OVD）、指代表达理解（REC）与视觉问答（VQA）等关键能力维度。

✅ 开放词汇检测（OVD）

该模型支持开放词汇目标检测。智能体无需预定义类别列表，输入任意词汇指令，如“损坏的护栏”“违规停放的叉车”，模型即可识别对应目标并输出边界框坐标，覆盖从生活到产业的“万物识别”需求。

指代表达理解（REC）

模型具备指代表达理解能力，能够解析包含空间关系、属性特征和行为描述的自然语言指令。例如，对于“那个在第二个路口左转的红色行人”，模型可快速锁定画面中符合条件的目标并输出坐标。这使得操作员可以用日常语言与智能体交互，无需繁琐的坐标编程。

视觉问答（VQA）

模型集成了视觉问答能力，可基于当前画面输出结构化信息。智能体能够回答诸如“画面中一共有多少辆车？它们的颜色分别是什么？”“是否有人员进入危险区域？”等问题，所得的数量、属性、状态等信息可直接用于决策模块。

上述能力已在多种产业智能体场景中得到验证。据悉，该模型输出的结构化信息（目标框、属性标签、数量统计、空间关系）可直接驱动下游决策或控制指令。

极视角星际视觉语言大模型4B版本兼顾了小体积与大能力，支持边缘端部署，可在单卡服务器上流畅运行。这一特性满足了智能体对低延迟、数据本地化的需求。

同时，基于10亿以上真实业务数据集的训练，以及细粒度对齐、负样本采样等专项技术，该模型实现了低幻觉和高精度识别。

综合行业趋势来看，随着边缘算力提升和模型轻量化趋势加速，视觉语言模型将成为每个智能体的标准感知组件。极视角星际视觉语言大模型4B版本以“小、准、稳”的特点，已在智慧城市、智慧交通、智慧水务、智慧能源、智能制造等领域获得应用。