VisionFlux：本地视觉理解的产品路线图

今天的本地 VLM 是真的

一年前，"在手机上跑视觉-语言模型"还是一个研究方向。今天它已是产品面。量化后的 2–4B 参数 VLM（Qwen-VL、MiniCPM-V、Idefics、Llama-3.2-Vision 的 MLX 移植）已经能在旗舰 NPU 上以交互延迟回答关于真实图像的真实问题。

能力边界穿过了消费产品线：带推理的 OCR、文档问答、场景描述、屏幕理解、视觉定位，现在都能在认真量化后塞进一台手机的内存预算里。

VisionFlux 首发会做什么

• 文档问答。 对准一页，提任何问题。版面感知、表格感知、双语。
• 翻译世界。 菜单、路牌、包装——原位覆盖翻译，端侧完成，零次回服务器。
• 无障碍解说。 给低视力用户描述场景，话量可调、刷新速率可控，并附一份云端解说产品无法企及的隐私保证。
• 收据与表单录入。 拍一张报销，得到结构化字段，本地归档——绝不经过第三方 SaaS。

我们要去的地方

• 可选开启的本地记忆：你看过的东西用一个小嵌入模型索引，让你能问"那东西我在哪儿见过？"。
• 场景模式 —— 对持续变化的环境做不间断解说，由运动量和电量来限速。
• 多模态笔记 —— 把一个念头拍成"照片 + 一段语音"，让模型把它归到正确的项目和标签下。
• AR 叠加 —— 当平台允许，翻译、无障碍、上下文帮助，全部本地渲染。

我们不会做什么

我们不会做云端视觉 API 的对手。"用无限算力从一张图片里榨出最多东西"这条边界，不是端侧能赢的地方。我们能赢的是"你口袋里这台相机，此刻、没网时，能给你最多的东西"。

那是另一种产品，也正是我们想做的那种。