STAGE 01 / VLM
Visual Large Model
看懂世界 · Perception
以长视频理解为核心的视觉感知层。把视频与图像转化为可消费的结构化数据，让 AI 看懂内容。
- 01长视频理解引擎
- 02多目标识别与行为识别
- 03结构化数据输出（JSON / SDK）
- 0415 个垂直场景预训练
Visual Intelligence Engine · Live
让每一帧视频，
让每一帧视频，
变成可用的数据。
为企业把视频和图像变成可用的数据。 三种接入方式：在线 API、边缘部署、私有化。
live-stream.mp4
batch-jobs
api-logs
boyubo · vlm · v1.4
机柜组 A12 0.94
机柜组 B07 0.91
机柜组 C03 0.88
指示灯异常 0.86
02:47:12
EVENT
04:30:00
// POST /v1/video/understand { "task_id": "vu_a3f4...", "frame_ts": 9742, "objects": [ { "label": "rack", "conf": 0.94 }, { "label": "led_fault", "conf": 0.86 } ], "event": "anomaly_detected" }
Objects
4 / frame
Latency
42ms
Frames
9,742
Stream
● healthy
Research · Technology Roadmap
From perception, to prediction,
From perception, to prediction,
to participation.
从识别，到预测，到机器人和设备上的实际部署。 三个连续阶段——不是三个并列产品。
STAGE 02 / VWM
Visual World Model
推演世界 · Prediction
在感知之上构建对世界动态的内部表征。让 AI 不仅能看懂当前帧，还能推演下一刻。
- 01时序动态建模
- 02行为前置预警
- 03场景演化推理
- 04异常事件预测
STAGE 03 / VEI
Embodied Visual Intelligence
参与世界 · Participation
视觉具身智能。为 AI 在物理世界中的感知—决策—行动闭环提供视觉智能底座。
- 01感知—决策—行动闭环
- 02边缘智能视觉底座
- 03机器人 / 无人机 / 车端
- 04水下、巡检、农业场景
Platform · 平台能力
一个引擎，识别、预测、
一个引擎，识别、预测、
部署都做。
6 个核心能力。三种部署方式，15 个行业的预训练，统一的数据输出。
engine/vlm LIVE
视觉大模型
长视频理解、多目标识别、行为识别、异常检测。把视频和图像变成可消费的结构化数据。
Open →
engine/vwm PREVIEW
视觉世界模型
时序动态建模、行为前置预警、场景演化推理。让 AI 在感知之上构建对世界动态的内部表征。
Open →
engine/vei THESIS
视觉具身智能
为 AI 在物理世界中的感知—决策—行动闭环提供视觉智能底座。机器人 / 无人机 / 车端。
Open →
solutions 15 SCENES
场景与解决方案
海洋工程 · 农业养殖 · 安防监控 · 内容生产 · 知识产权 · 出海跨境，15 个垂直行业落地。
Open →
api v1
API 与接入
在线 API · 边缘部署 · 私有化部署。按需选择最适合的接入档位，毫秒级响应。
Open →
console BETA
控制台
数据接入、任务执行、结果可视化、报告导出。视觉理解任务的可视化管控中心。
Open →
Products · 即开即用 SaaS
两款标品，注册即用。
无需部署、无需训练。一款解决长视频结构化理解，一款解决社交视频高光提取——两条具体业务路径，背后共用同一套视觉智能引擎。
long-video
02:47:12 / 04:30
↳ 12 events extracted · 0.94 conf
VLM · LONG VIDEO
超长视频理解平台
不用看视频，直接得到结果数据。上传长视频，自动识别关键事件、时间点、行为、异常。
关键事件 · 时间点定位 · 行为识别 · 异常检测
Try →
social-video
batch · 24
↳ 5 highlights · 12 tags · 3 moods
VLM · SHORT VIDEO
社交媒体视频理解
让视频自动变成内容数据。识别视频中的结构、情绪、行为、关键事件。
结构识别 · 情绪行为 · 高光提取 · 批量处理
Try →
Industries · 行业落地
15 个垂直场景，
15 个垂直场景，
已经在工业现场跑起来。
从水下机器人到巡检无人机、从养殖牧场到车端边缘。视觉智能不是停留在实验室的概念。
MARINE
2 obj · 0.90 avg
船舶与水下视觉检测
低光照、悬浮颗粒、动态水流环境下识别异常。
view spec →
ENERGY
1 anomaly · 0.81
风电与海洋设施清洁
巡检无人机 / 清洁机器人视觉底座。叶片损伤、表面积污自动识别。
view spec →
FARMING
3 obj · 1 alert
畜牧养殖行为分析
多路连续视频群体行为稳定理解，异常个体识别。
view spec →
家庭智能宠物行为识别家庭服务机器人 / 智能家居视觉底座→
安防监控监控与行车异常识别车端 / 边缘智能视觉底座→
商业管理商户与物业监控分析监控视频沉淀为运营数据→
知识产权侵权检测视觉相似度 + 内容指纹联合识别→
出海跨境无声视频内容提取无音频信号下完成语义结构提取→
内容生产游戏视频高光提取游戏视频自动输出高光数据→
内容生产Vlog 与旅行视频高光旅行视频内容数据化→
内容生产健身与舞蹈动作识别动作视频成为训练数据→
View all 15 scenes →
API · 三档接入
为开发者与企业，
为开发者与企业，
提供平台级接入。
在线 API · 边缘部署 · 私有化部署。从云端调用到设备离线运行，按需选择。
在线 API
pay-as-you-go
$ curl -X POST \ api.boyubo.cn/v1/video/understand \ -d @request.json
直接调用我们托管的视觉模型。无需部署、无需训练、注册即用。
- SDK + REST API 全语言
- 按调用量付费
- 毫秒级响应 · 高可用
- 免费额度
边缘部署
device-licensed
$ boyubo deploy --target edge \ --device jetson-orin \ --model vlm-edge-int8
把视觉模型部署到客户的边缘设备 / 机器人 / 嵌入式系统。具身智能首选。
- 离线运行 · 无需联网
- GPU / NPU / SoC 多硬件适配
- INT8 / FP16 模型量化
- 机器人 / 无人机 / 车端 / IoT
私有化部署
enterprise
# boyubo-enterprise v1.4 → data residency: on-prem → air-gap supported → remote support only
把整套系统部署到客户私有环境。数据不出域、离线可运行、远程技术支持。
- 完整数据主权
- 整体系统离线可运行
- 远程技术支持（不驻场）
- 项目级 SLA · 合规友好
Recent at Boyubo
What we are thinking about,
What we are thinking about,
and writing about.
视觉模型如何从感知走向推演与具身。下面是最近的研究记录与技术写作。
Long-form video understanding at frame-level scale
从 4 小时长视频中稳定提取事件结构与时间锚点的工程实践与失败案例。
Read note →Toward visual world models: temporal dynamics priors
视觉世界模型早期实验：从感知到推演，时序动态先验如何提升异常前置识别。
Read preview →Why visual intelligence is the bottleneck of embodied AI
为什么视觉感知与推演能力是具身智能尚未被解决的真正瓶颈，以及我们的路径选择。
Read thesis →