在2026 vivo开发者大会人工智能分会场，vivo提出以“大模型+Harness”构建个人化智能底座，并发布由BlueLM-Realtime、BlueLM-Nano、BlueLM-Flash、BlueLM-Pro组成的“蓝心大模型端云矩阵”，同时推出Agent原生的系统级Harness开发者平台。
AI解读：vivo这次给出的不是某个更聪明的模型，而是一套把多个模型、系统工具和第三方服务串起来的调度方案。它要解决的问题很具体：手机上的AI能总结一条航班延误通知，却很难接着帮你改签、调酒店、排会议，因为它既不了解你的偏好，也无法跨App把事办完。
拆开看，端侧模型负责感知和记忆，云侧模型负责高频执行和复杂推理，系统级Harness负责规划、调用6000多个系统级工具以及MCP、A2A等接口。对开发者来说，接入一次就可能被系统的不同入口统一调度，这降低了把服务塞进Agent流程的门槛。
真正的限制在隐私和执行成本。感知范围越广、记忆时间越长，授权边界就越难管；任务跨端、跨应用后，调度和上下文维护本身也会变成一项显性成本。vivo目前给出的是技术路径和合作案例，实际体验能否兑现，仍要看这些机制在真机上的完成度。
在2026年9月17日发布的量子位报道中，vivo在2026 vivo开发者大会（VDC）人工智能分会场提出以“大模型+Harness”构建个人化智能底座，重构OS体验。报道称，vivo希望让AI个人助理更好地为人所用，让系统更智能好用，也让手机真正开始理解用户本身。
报道引用Counterpoint Research的预测：今年生成式AI手机出货占比将达到45%，去年这一数字为36%。报道认为，手机在所有终端里离人足够近，也掌握着最完整的个人上下文，包括屏幕内容、相册、位置、应用使用习惯和长期积累的个人信息。
报道指出，手机端AI面临的约束包括时延、成本、隐私和能力。复杂推理和长链路任务需要更强的模型，但伴随更高成本和响应时间；本地小模型足够快、足够轻，能力上限又更早出现，一项真实任务经常横跨两端。
vivo给出的解法是让多个模型各司其职和自动调度，实现端云协同。今年VDC人工智能分会场上亮相的“蓝心大模型端云矩阵”包括：端到端语音大模型BlueLM-Realtime负责识别声音、理解语义语气和意图；端侧大模型BlueLM-Nano承担长期驻留设备上的感知和记忆；云侧模型BlueLM-Flash负责信息查询、日程管理、跨App操作等高频场景；BlueLM-Pro接手复杂推理和长程规划。进入专业领域后，系统还能继续自动调动外部顶尖模型补位。
报道称，vivo把“感知”和“记忆”作为个人AI的两个关键词。在用户授权和隐私保护前提下，把零散的端侧交互拼成对一个人的长期理解。面向感知，端侧模型BlueLM-Nano通过轻量视觉编码器和UI专用Token理解屏幕、图像、视频和文本；面向记忆，通过SwiftKV、混合稀疏注意力和PLE逐层嵌入，将端侧上下文扩展至32K。
报道还介绍了系统级Harness。vivo做出了一套“Agent原生的蓝心系统级Harness开发者平台”，把App时代的能力孤岛改造成Agent时代的公共基础设施。感知和记忆层负责理解用户与环境，规划层负责路由、任务编排和反思优化，执行层借助6000+系统级工具以及MCP、A2A、CLI和统一API，把模型、Agent、Skill和外部服务接进手机、IoT乃至现实世界。
蓝心端云矩阵把模型放进后台调度
报道把手机端AI的困境描述为一道关于感知、记忆、调度、执行和协同的系统题，而不只是模型能力题。一条航班延误通知弹出来，AI可以总结内容、回答晚点多久，但转机要不要改、酒店会不会受影响、明早的会议还能不能赶上，需要一筐任务一起解决，AI还未必记得用户愿不愿意坐凌晨航班、在不在意多花几百块。
vivo的方案是端云协同：BlueLM-Realtime负责语音端到端理解，BlueLM-Nano负责端侧感知和记忆，BlueLM-Flash负责高频快速执行，BlueLM-Pro负责复杂推理和长程规划。报道称，模型由此从需要用户主动选择的产品，退到后台成为被系统自动调度的基础能力。
报道用芯片行业的异构计算做类比：不是让最强的单元干所有活，而是让最合适的单元干最合适的活。vivo更关心的是如何给每个人在手机上组织出一套属于自己的AI，而不是训练一个更强更通用的AI。
BlueLM-Nano的端侧上下文扩展至32K，依靠SwiftKV、混合稀疏注意力和PLE逐层嵌入实现。报道称，感知不断沉淀为记忆，记忆又让下一次服务更贴合个体需求，形成一套越用越懂人的个人智能飞轮。
- BlueLM-Realtime：端到端语音大模型，负责识别声音、理解语义语气和意图。
- BlueLM-Nano：端侧大模型，承担长期驻留设备上的感知和记忆，端侧上下文扩展至32K。
- BlueLM-Flash：云侧模型，负责信息查询、日程管理、跨App操作等高频快速执行任务。
- BlueLM-Pro：负责复杂推理和长程规划，专业领域还可调动外部顶尖模型补位。
Harness把执行经验沉淀成系统能力
报道称，Agent进入系统后要回答的是能不能把一个任务从头到尾自主做完，软件行业过去把这部分工作叫工程，Agent时代称其为Harness。大模型厂商的Harness更多围绕模型展开，关注稳定调用工具、保持更长上下文、跑更久任务以及在Sandbox里安全执行；手机厂商的问题会往系统深处再走一层，重点是让AI执行过去由用户自己完成的那套手机操作流程。
vivo的Harness分为感知和记忆层、规划层、执行层。感知和记忆层理解用户与环境，让不同Agent共享长期上下文；规划层负责路由、任务编排和反思优化，持续调整执行路径、Token和成本；执行层借助6000+系统级工具以及MCP、A2A、CLI和统一API，把模型、Agent、Skill和外部服务接进手机、IoT乃至现实世界。
报道还提到自进化机制。基于观察—反思—沉淀框架，系统可以在用户授权下持续学习行为与反馈，并利用设备闲时复盘任务路径，把新的经验重新沉淀进系统能力。统一意图、跨设备Runtime和上下文随行，让任务可以在手机、PC和平板之间继续跑；MCP和A2A负责让Agent、模型和工具接力。
报道由此提出，个人AI长期积累的将不只是静态用户信息，还会延伸到动态执行经验。当系统层足够成熟，开发者只需要考虑“just do it”。报道同时指出，AI行业过去几年研究降低Token成本，到了Agent时代，协调成本可能越来越贵，正在变成一项显性的系统成本。
- 感知和记忆层：多模态获取当下状态，沉淀场景、偏好和历史交互，让不同Agent共享长期上下文。
- 规划层：路由、任务编排和反思优化，持续调整执行路径、Token和成本。
- 执行层：6000+系统级工具，MCP、A2A、CLI和统一API，连接模型、Agent、Skill和外部服务。
- 自进化：观察—反思—沉淀框架，用户授权下学习行为与反馈，设备闲时复盘任务路径。
蓝心小V Pro与第三方生态落地案例
报道称，蓝心小V升级到Pro模式后，vivo试图压低开发者接入中间那层连接成本：开发者接入一次，能力就能被系统在不同入口中统一理解、调度和触达。Agent、Skills、MCP、原子技能乃至端侧模型，也被逐步纳入同一套能力底座。
报道列出多个合作场景：在民生服务场景，vivo联合支付宝重构终端服务形态，将能力拆为服务直达、服务执行和MCP Skill，让更多生活服务一句话办完；在本地生活领域，美团将吃喝玩乐等能力接入小V，通过Agent串起原本分散的服务入口；在出行场景，深度联动高德地图，小V一句话即可完成导航、路线规划、生活服务与POI查询；在电商消费端，京东进一步打通跨App圈选、多模态识别、商品搜索到支付的完整链路。
在VDC圆桌讨论上，来自京东和支付宝的合作伙伴围绕各自与vivo的合作实践，分享了Agent服务在终端落地过程中遇到的真实问题，以及生态协同带来的新解法。
报道还提到无障碍功能：从2021年发起“声声有息”公益计划至今，vivo开放27项无障碍功能，覆盖超过110万残障用户。其多模态手语大模型基于8000多个国标词汇、100万段视频训练，从单个手势识别走向连续手语理解，并已用于实时翻译和手语学习。
- 支付宝：能力拆为服务直达、服务执行和MCP Skill。
- 美团：吃喝玩乐能力接入小V，通过Agent串起分散服务入口。
- 高德地图：小V一句话完成导航、路线规划、生活服务与POI查询。
- 京东：打通跨App圈选、多模态识别、商品搜索到支付的完整链路。
- 无障碍：27项无障碍功能覆盖超过110万残障用户；多模态手语大模型基于8000多个国标词汇、100万段视频训练。