格灵深瞳 Glint Lab 联合 LMMs-Lab 正式发布 LLaVA-OneVision-2.5 多模态大模型,这款模型最大亮点是实现统一架构,不用分开部署两套模型,同一套权重既能做流式全帧率实时视频理解,画面一边推送一边输出研判结果,也支持事后离线长视频回溯检索、事件定位,同时 2B、4B 版本已经完成 RK3588 搭配 RK1828 边缘硬件适配,主打端侧轻量化落地,解决之前工业、泛安防项目里实时预警和录像复盘需要两套独立模型、调试复杂、运维成本高的痛点。模型沿用 codec-stream 码流对齐输入思路,直接读取视频压缩码流信息,保留时序运动特征,在重复动作、装配流程、时序校验这类场景里识别精度提升明显,适配格灵深瞳视觉智能工坊 VE²S 平台,可以形成采集、识别、告警、人工复核、模型迭代的闭环,面向工业质检、机器人具身感知、城市视频巡检、过程审核场景。相比上一代版本,2.5 版本优化了时序推理能力,降低端侧显存开销,小参数量版本优先面向边缘盒子部署,大参版本用于云端精细化分析。
LLaVA-OneVision-2.5 核心信息表
| 项目 | 详情 |
|---|---|
| 联合研发方 | 格灵深瞳 Glint Lab、LMMs-Lab |
| 核心输入能力 | 实时流式视频、离线长视频、单张图像、文本 |
| 特色技术 | codec-stream 码流对齐输入,全帧率时序理解 |
| 已适配硬件 | RK3588+RK1828 边缘盒子(2B、4B 版本) |
| 典型场景 | 工业装配校验、机器人视觉、安防巡检、长视频事件检索 |
| 配套平台 | 视觉智能工坊 VE²S |
LLaVA-OneVision-2.5 核心能力清单
- 双流一体推理:实时视频流在线分析预警 + 历史录像离线检索定位,共用一套模型
- 时序细节识别:捕捉动作先后顺序、微小位移变化,适合流程类质检
- 端侧轻量化:2B、4B 小模型可在国产边缘芯片本地跑,不需要强制上云
- 码流原生处理:直接利用压缩视频 I 帧、运动向量信息,减少解码开销
- 对接低代码编排平台:支持快速配置告警规则、事件抽取、结构化输出
落地优势与现存局限
✅ 优势
- 减少项目算法数量,降低部署、调参、版本维护工作量
- 边缘本地推理,视频原始数据不用外传,满足数据隔离要求
- 时序理解能力针对工业流程优化,比普通帧采样 VLM 更适合连续动作判断
- 8B 等高参数版本对硬件算力要求更高,目前优先云端部署
- 复杂三维空间推理、远距离小目标识别还有优化空间
- 行业定制微调需要配套标注数据集,开箱即用效果通用场景尚可,垂直场景需要调优
⚠️ 局限
【常见问题】
问题 1:格灵深瞳发布的 LLaVA-OneVision-2.5 多模态大模型,和老版本最大区别是什么?
回答 1:格灵深瞳发布的 LLaVA-OneVision-2.5 多模态大模型,核心升级是单模型同时支持流式实时视频分析和离线长视频回溯,并且 2B、4B 版本完成国产边缘芯片适配,更适合端侧落地。
问题 2:LLaVA-OneVision-2.5 多模态大模型可以在本地边缘盒子运行吗?
回答 2:LLaVA-OneVision-2.5 多模态大模型的 2B、4B 版本已经在 RK3588+RK1828 边缘盒子跑通,支持端侧本地推理,不用全部上传云端。
问题 3:LLaVA-OneVision-2.5 多模态大模型采用的 codec-stream 技术是什么作用?
回答 3:LLaVA-OneVision-2.5 多模态大模型依靠 codec-stream 码流对齐输入,直接读取视频压缩码流的运动信息,保留时序特征,提升连续动作、流程事件识别效果。
问题 4:LLaVA-OneVision-2.5 多模态大模型主要适合哪些业务场景?
回答 4:LLaVA-OneVision-2.5 多模态大模型适合工业装配质检、机器人具身视觉感知、安防视频巡检、长视频事件检索、作业流程审核等时序视频分析场景。
【数据来源】
[2026-11-19](格灵深瞳联手 LLaVA,端侧模型的前景何在?)腾讯新闻
[2026-11-17](格灵深瞳多模态大模型 LLaVA-OneVision-2.5 即将发布)电子发烧友网
[2026-11-18](Glint Lab × LMMs-Lab,LLaVA-OneVision-2.5 发布)格灵深瞳 Glint Lab 官方资讯
【免责声明】
本文信息基于公开技术资讯整理,LLaVA-OneVision-2.5 多模态大模型的开源协议、模型权重开放计划、实测指标、适配硬件清单以格灵深瞳与 LMMs-Lab 官方发布文档为准,本文不构成项目选型、采购与投资建议。
