9月1日，杭州联汇科技股份有限公司（简称：OmAI联汇）正式发布视频深度推理模型VLX-VR。该模型在Google DeepMind与哥伦比亚大学联合推出的视频推理基准MINERVA上，以78.8%的视频问答准确率登顶榜首，超越谷歌Gemini 3.5、OpenAI GPT-4.1等国际旗舰模型。VLX-VR同步上线开放体验平台，成为全球首个在“既考答案、又考过程”的视频推理最严基准上“夺冠”的中国模型。

　　由Google DeepMind与哥伦比亚大学联合推出的MINERVA，被喻为全球视频推理领域的“最严考卷”。该基准包含1000多道取材于真实长视频的推理题目，人类在该基准上的得分为92.5分，而此前全球公开模型的最高成绩为70.7分。

　　VLX-VR取得78.8%准确率的同时，推理逻辑一致性（本次评测数据）达96.2%——即模型的推理过程与人类标准推理轨迹的吻合度，表明其不仅答案准确率较高，得出答案的过程也具备可追溯性。

　　跨时长表现是VLX-VR较为突出的一项特征。测试数据显示，在5分钟以下、5至15分钟、15分钟以上三个时长区间，VLX-VR的准确率分别为76.70%、78.73%和80.92%，随视频时长增加不降反升，跨时长准确率方差（CDAV）为 2.97。作为参考（据MINERVA论文），Gemini 2.5 Pro （Thinking）在15分钟以上视频中的准确率为57.97%，GPT-4.1为47.25%，而VLX-VR打破了行业在长视频理解领域的普遍瓶颈。

　　此次结果有其技术积累脉络。2025年2月，OmAI联汇在GitHub开源视觉推理模型VLM-R1，首次将DeepSeek-R1的强化学习推理框架引入视觉领域，上线48小时登顶GitHub全球趋势榜。此后一年多时间里，基于"-R1"范式的视觉推理工作在学术界持续推进。从VLM-R1到VLX-VR，同一支团队的研究方向从单帧视觉理解，逐步延伸至长时序视频的推理——理解先后、理解因果、理解变化。作为该公司端侧流式多模态模型VLX家族的最新成员，VLX-VR在VLX“看见、看清、行动”的物理AI闭环之上，进一步延展出面向长视频深度推理的“看懂”能力。

　　在产业层面，VLX-VR的发布恰逢中国机器人产业标准化进程加速的关键节点。视频推理能力作为物理AI感知世界的基础能力，其技术进展与产业需求的关联正在加深。

　　“物理AI正大规模走出实验室，进入真实场景。”OmAI联汇CEO赵天成此前在公开场合表示，行业正迎来产业化、规模化拐点。当物理AI的“看懂”能力有了可测量的标准，国产模型在国际权威基准上取得的成绩，标志着中国在视频深度推理这一决定物理AI上限的核心能力上，站到了全球前沿。

（文章来源：上观新闻）