# 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

> 原标题：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

- 来源：AI HOT 精选
- 发布时间：2026-08-15T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/51394
- 原文：https://arxiv.org/abs/2608.15045

## 摘要

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。

## 锐评

首字延迟低 2.8 到 5.1 倍，做实时视频的一眼就知道这个数有多难拿。门控交叉注意力把视觉信息挪出解码序列，帧数越多优势越大，省下的是随帧数涨的那部分开销。机器人、直播这类场景本来就卡在延迟上，开源 VLM 里肯从架构层面动这一刀的不多。

通用多模态榜单上没甩开同尺寸模型，那它就是个垂直工具，别指望拿它当全能底座。真跑实时交互的，这个延迟差比榜单分数重要。
