商汤开源NEO多模态模型架构，实现视觉、语言深层统一

fudashuai

       新浪科技讯 12月2日下午消息，商汤科技发布并开源了与南洋理工大学 S-Lab合作研发的全新多模态模型架构——NEO，宣布从底层原理出发打破传统“模块化”范式的桎梏，通过核心架构层面的多模态深层融合，实现视觉和语言的深层统一，并在性能、效率和通用性上带来整体突破。

　　据悉，在架构创新的驱动下，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），便能开发出顶尖的视觉感知能力。无需依赖海量数据(15.110, -0.18, -1.18%)及额外视觉编码器，其简洁的架构便能在多项视觉理解任务中追平Qwen2-VL、InternVL3 等顶级模块化旗舰模型。

　　此外，NEO还具备性能卓越且均衡的优势，在MMMU、MMB、MMStar、SEED-I、POPE等多项公开权威评测中，NEO架构均斩获高分，优于其他原生VLM综合性能，真正实现了原生架构“精度无损”。

　　当前，业内主流的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。这种基于大语言模型（LLM）的扩展方式，虽然实现了图像输入的兼容，但本质上仍以语言为中心，图像与语言的融合仅停留在数据层面。这种“拼凑”式的设计不仅学习效率低下，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。

　　而NEO架构则通过在注意力机制、位置编码和语义映射三个关键维度的底层创新，让模型天生具备了统一处理视觉与语言的能力。

　　具体而言，在原生图块嵌入（Native Patch Embedding）方面，这一架构摒弃了离散的图像tokenizer，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。这种设计能更精细地捕捉图像细节，从根本上突破了主流模型的图像建模瓶颈。

　　在原生多头注意力 （Native Multi-Head Attention）方面，针对不同模态特点，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。这种设计极大地提升了模型对空间结构关联的利用率，从而更好地支撑复杂的图文混合理解与推理。（文猛）