HFlow 评测：开源视觉模型处理第一人称数据逼近 Gemini

开源视觉语言模型（VLM）在第一人称视角数据处理领域正快速逼近闭源旗舰水平。社区项目 HFlow 近日基于 Build AI 的 Egocentric-10k 数据集，对多款主流开源权重 VLM 进行了系统评测，结果显示 Gemma 系列表现尤为亮眼，与 Gemini 2.5 Flash 的基线水平几乎持平，而成本仅为后者约 5%。

评测方法

该评测沿用了 Build AI 此前使用 Gemini 2.5 Flash 测量手部可见性与主动操作（active manipulation）能力时所用同一套提示词与数据集，仅替换底层模型，从而保证不同模型之间的结果可直接比较。HFlow 本身是一个开源评估框架，开发者可通过 GitHub 自行获取并复现整套实验。

各模型表现对比

以 Gemini 2.5 Flash 在 Egocentric-10k 上取得 91.65% 作为基线，各开源模型的吻合度如下：

• GLM 5.3 Flash：91.00%
• Gemma 4 26B-A4B：90.87%
• Qwen 3.8 27B：90.79%
• Inkling Small：85.21%

其中 Gemma 系列最为突出：在与 Gemini 2.5 Flash 几乎打平的情况下，成本降低约 19 倍，性价比优势显著。

私有化部署的现实意义

Gemma 与 Qwen 两类模型均具备较为友好的自托管条件，开发者可在自有硬件上完成推理，避免数据外传。对于涉及个人隐私或敏感场景的第一人称应用，这一特性具有较高的实用价值。

行业启示

评测结果表明，现代开源权重 VLM 已具备处理大规模第一人称数据的可用能力。在模型能力趋于同质化的背景下，成本、吞吐量、输出稳定性与自托管便利度正成为新的差异化竞争点。对于正在优化多模态处理流程的开发者而言，HFlow 提供了一种可复用的评估手段，可结合自身提示词与候选模型快速完成横向比较。