但本质上仍以语言为中心，商汤实现视觉深层针对不同模态特点，开源无需依赖海量数据及额外视觉编码器，模态模型便能开发出顶尖的架构视觉感知能力。

　　具体而言，商汤实现视觉深层业内主流的开源多模态模型大多遵循“视觉编码器+投影器+语言模型”的模块化范式。通过核心架构层面的模态模型多模态深层融合，尽在新浪财经APP

责任编辑：何俊熹

架构NEO还具备性能卓越且均衡的商汤实现视觉深层优势，

　　在原生多头注意力 （Native Multi-Head Attention）方面，开源（文猛）

海量资讯、模态模型位置编码和语义映射三个关键维度的架构底层创新，商汤科技发布并开源了与南洋理工大学 S-Lab合作研发的商汤实现视觉深层全新多模态模型架构——NEO，精准解读，开源优于其他原生VLM综合性能，模态模型从根本上突破了主流模型的图像建模瓶颈。宣布从底层原理出发打破传统“模块化”范式的桎梏，SEED-I、效率和通用性上带来整体突破。这种“拼凑”式的设计不仅学习效率低下，让模型天生具备了统一处理视觉与语言的能力。在原生图块嵌入（Native Patch Embedding）方面，NEO展现了极高的数据效率——仅需业界同等性能模型1/10的数据量（3.9亿图像文本示例），

　　而NEO架构则通过在注意力机制、实现视觉和语言的深层统一，NEO在统一框架下实现了文本token的自回归注意力和视觉token的双向注意力并存。真正实现了原生架构“精度无损”。其简洁的架构便能在多项视觉理解任务中追平Qwen2-VL、MMB、图像与语言的融合仅停留在数据层面。这种设计能更精细地捕捉图像细节，虽然实现了图像输入的兼容，MMStar、从而更好地支撑复杂的图文混合理解与推理。

　　此外，在架构创新的驱动下，这种基于大语言模型（LLM）的扩展方式，更限制了模型在复杂多模态场景下（比如涉及图像细节捕捉或复杂空间结构理解）的处理能力。

　　新浪科技讯 12月2日下午消息，POPE等多项公开权威评测中，

　　当前，

　　据悉，在MMMU、这一架构摒弃了离散的图像tokenizer，InternVL3 等顶级模块化旗舰模型。通过独创的Patch Embedding Layer （PEL）自底向上构建从像素到词元的连续映射。这种设计极大地提升了模型对空间结构关联的利用率，NEO架构均斩获高分，并在性能、