VLX-Seek-1.5-10B stammt vom omlab (om-ai-lab) und ist das größte Modell der VLX-Seek-1.5-Familie, die in drei Größen (0,6B, 3B und 10B Parameter) geplant ist. Der zentrale konzeptionelle Unterschied zu gängigen visuellen Sprachmodellen liegt im Ansatz: Statt Bounding-Box-Koordinaten direkt als Zeichenfolgen zu dekodieren, wandelt VLX-Seek Kandidatenregionen in adressierbare „Region Tokens" um – das Modell wählt und referenziert Regionen ähnlich wie ein Sprachmodell Textstellen vergleicht. Für diese Kandidatenregionen kommt ein eigener OPN-Proposals-Generator zum Einsatz, dessen Ausgabe durch Post-Processing zurück in Bildkoordinaten übersetzt wird. Der Fokus liegt auf embodied-AI-Szenarien: Drohnenaufnahmen mit kleinen, dicht gepackten Objekten, Überwachungskameras, Inspektionssysteme sowie roboterzentrische Raumwahrnehmung. Zwei Trainingsmaßnahmen adressieren explizit das Halluzinationsproblem: Hard-Negative-Rejection-Training und ein dediziertes „None"-Ausgabeformat, das das Modell dazu bringt, abwesende Zielobjekte aktiv abzulehnen statt fiktive Koordinaten zu liefern. Auf der Architekturseite setzt das Modell auf einen verstärkten auxiliären Vision Tower, verbessertes Vision-Language-Alignment und zusätzliche Linear-Attention-Schichten, die Speicherbedarf und Inferenzzeit reduzieren sollen. Der Code und lauffähige Beispiele sind über das GitHub-Repository om-ai-lab/VLX-Seek öffentlich zugänglich.