新浪科技訊 12月2日下午消息，商湯實現(xiàn)視覺深層商湯科技發(fā)布并開源了與南洋理工大學 S-Lab合作研發(fā)的開源全新多模態(tài)模型架構(gòu)——NEO，宣布從底層原理出發(fā)打破傳統(tǒng)“模塊化”范式的模態(tài)模型桎梏，通過核心架構(gòu)層面的架構(gòu)多模態(tài)深層融合，實現(xiàn)視覺和語言的商湯實現(xiàn)視覺深層深層統(tǒng)一，并在性能、開源效率和通用性上帶來整體突破。模態(tài)模型

　　據(jù)悉，架構(gòu)在架構(gòu)創(chuàng)新的商湯實現(xiàn)視覺深層驅(qū)動下，NEO展現(xiàn)了極高的開源數(shù)據(jù)效率——僅需業(yè)界同等性能模型1/10的數(shù)據(jù)量（3.9億圖像文本示例），便能開發(fā)出頂尖的模態(tài)模型視覺感知能力。無需依賴海量數(shù)據(jù)及額外視覺編碼器，架構(gòu)其簡潔的商湯實現(xiàn)視覺深層架構(gòu)便能在多項視覺理解任務中追平Qwen2-VL、InternVL3 等頂級模塊化旗艦模型。開源

　　此外，模態(tài)模型NEO還具備性能卓越且均衡的優(yōu)勢，在MMMU、MMB、MMStar、SEED-I、POPE等多項公開權(quán)威評測中，NEO架構(gòu)均斬獲高分，優(yōu)于其他原生VLM綜合性能，真正實現(xiàn)了原生架構(gòu)“精度無損”。

　　當前，業(yè)內(nèi)主流的多模態(tài)模型大多遵循“視覺編碼器+投影器+語言模型”的模塊化范式。這種基于大語言模型（LLM）的擴展方式，雖然實現(xiàn)了圖像輸入的兼容，但本質(zhì)上仍以語言為中心，圖像與語言的融合僅停留在數(shù)據(jù)層面。這種“拼湊”式的設計不僅學習效率低下，更限制了模型在復雜多模態(tài)場景下（比如涉及圖像細節(jié)捕捉或復雜空間結(jié)構(gòu)理解）的處理能力。

　　而NEO架構(gòu)則通過在注意力機制、位置編碼和語義映射三個關鍵維度的底層創(chuàng)新，讓模型天生具備了統(tǒng)一處理視覺與語言的能力。

　　具體而言，在原生圖塊嵌入（Native Patch Embedding）方面，這一架構(gòu)摒棄了離散的圖像tokenizer，通過獨創(chuàng)的Patch Embedding Layer （PEL）自底向上構(gòu)建從像素到詞元的連續(xù)映射。這種設計能更精細地捕捉圖像細節(jié)，從根本上突破了主流模型的圖像建模瓶頸。

　　在原生多頭注意力 （Native Multi-Head Attention）方面，針對不同模態(tài)特點，NEO在統(tǒng)一框架下實現(xiàn)了文本token的自回歸注意力和視覺token的雙向注意力并存。這種設計極大地提升了模型對空間結(jié)構(gòu)關聯(lián)的利用率，從而更好地支撐復雜的圖文混合理解與推理。（文猛）

責任編輯：何俊熹