上海
品玩4月10日訊，OpenMOSS團(tuán)隊近日正式開源MOSS-VL系列視覺理解模型。該模型采用創(chuàng)新的交叉注意力架構(gòu)，通過解耦視覺編碼與認(rèn)知推理，有效解決了傳統(tǒng)模型在處理視頻流時面臨的計算效率瓶頸，大幅降低了推理延遲。
MOSS-VL引入了絕對時間戳與XRoPE編碼技術(shù)，實現(xiàn)了對視頻事件的精準(zhǔn)時空錨定與細(xì)粒度動作定位。在涵蓋多模態(tài)感知、推理及文檔OCR的30余項基準(zhǔn)測試中，該模型表現(xiàn)卓越，尤其在視頻理解任務(wù)上顯著優(yōu)于Qwen3-VL等同類模型，展現(xiàn)了強(qiáng)大的時序一致性與動態(tài)場景捕捉能力。
此次開源標(biāo)志著OpenMOSS多模態(tài)生態(tài)的重要拓展。團(tuán)隊已規(guī)劃MOSS-VL-1.5至2.0的技術(shù)演進(jìn)路線，致力于通過架構(gòu)創(chuàng)新與強(qiáng)化學(xué)習(xí)，最終實現(xiàn)超長視頻的連續(xù)無損理解與全天候流式實時交互。
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
