MOSS-VL:把实时互动当核心能力来做的开源视觉模型,边看边说
MOSS-VL技术报告:将实时交互作为一等能力的开源视觉语言模型家族
复旦团队开源了一个叫 MOSS-VL 的视觉语言模型家族,最大的不同是它把“实时互动”——也就是模型一边接收画面一边说话——当作一等能力来设计。它用了一种叫门控交叉注意力的机制,把视觉信息放在解码序列外面处理,所以生成第一个字的延迟比同底座的 Qwen3-VL-8B 低了 2.8 到 5.1 倍,画面信息越多优势越明显。
推荐理由:复旦团队开源的 MOSS-VL 把实时互动作为架构设计目标,门控交叉注意力让视觉信息在解码序列外处理,首字延迟比同底座 Qwen3-VL-8B 低 2.8 到 5.1 倍。