商湯發布NEO架構 重新定義多模態模型效能邊界

商湯科技發布並開源了與南洋理工大學S-Lab合作研發的全新多模態模型架構——NEO，為日日新SenseNova多模態模型奠定了新一代架構的基石。

作為行業首個可用的、實現深層次融合的原生多模態架構 (Native VLM)，NEO從底層原理出發，打破了傳統「模組化」範式的桎梏，以「專為多模態而生」的創新設計，通過核心架構層面的多模態深層融合，實現了性能、效率和通用性的整體突破，重新定義了多模態模型的效能邊界，標誌著人工智能多模態技術正式邁入「原生架構」的新時代。

打破瓶頸 告別「拼湊」 擁抱「原生」

當前，業內主流的多模態模型大多遵循「視覺編碼器+投影器+語言模型」的模組化範式。這種基於大語言模型（LLM）的擴展方式，雖然實現了圖像輸入的兼容，但本質上仍以語言為中心，圖像與語言的融合僅停留在數據層面。這種「拼凑」式的設計不僅學習效率低下，更限制了模型在複雜多模態場景下（比如涉及圖像細節捕捉或複雜空間結構理解）的處理能力。

商湯NEO架構正是為了解决這一痛點而生。早在2024年下半年，商湯便在國內率先突破多模態原生融合訓練技術，以單一模型在SuperCLUE語言評測 和OpenCompass多模態評測中奪冠，並基於這一核心技術打造了日日新SenseNova 6.0，實現多模態推理能力領先。

之後，在2025年7月發布日日新SenseNova 6.5通過實現編碼器層面的早期融合，把多模態模型性價比提升3倍，並在國內率先推出商用級別的圖文交錯推理。商湯此次更進一步，徹底摒棄了傳統的模組化結構，從底層原理出發，推出了從零設計的NEO原生架構。

三大內核創新 實現視覺和語言的深層統一

NEO架構以極致效率和深度融合為核心理念，通過在注意力機制、位置編碼和語義映射三個關鍵維度的底層創新，讓模型天生具備了統一處理視覺與語言的能力：

原生圖塊嵌入 (Native Patch Embedding)： 摒棄了離散的圖像tokenizer，通過獨創的 Patch Embedding Layer (PEL) 自底向上構建從像素到詞元的連續映射。這種設計能更精細地捕捉圖像細節，從根本上突破了主流模型的圖像建模瓶頸。

原生三維旋轉位置編碼 (Native-RoPE)： 創新性地解耦了三維時空頻率分配，視覺維度采用高頻、文本維度採用低頻，完美適配兩種模態的自然結構。這使得NEO不僅能精准捕獲圖像的空間結構，更具備向視頻處理、跨幀建模等複雜場景無縫擴展的潛力。

原生多頭注意力 (Native Multi-Head Attention)： 針對不同模態特點，NEO在統一框架下實現了文本token的自回歸注意力和視覺token的雙向注意力並存。這種設計極大地提升了模型對空間結構關聯的利用率，從而更好地支撑複雜的圖文混合理解與推理。

此外，配合創新的Pre-Buffer & Post-LLM 雙階段融合訓練策略，NEO能夠在吸收原始LLM完整語言推理能力的同時，從零構建强大的視覺感知能力，徹底解决了傳統跨模態訓練中語言能力受損的難題。

實測表現：十分之一的數據，追評旗艦級性能

在架構創新的驅動下，NEO展現出了驚人的數據效率與性能優勢：

極高數據效率：僅需業界同等性能模型1/10的數據量（3.9億圖像文本示例），NEO便能開發出頂尖的視覺感知能力。無需依賴海量數據及額外視覺編碼器，其簡潔的架構便能在多項視覺理解任務中追平Qwen2-VL、InternVL3等頂級模組化旗艦模型。

性能卓越且均衡：在MMMU、MMB、MMStar、SEED-I、POPE 等多項公開權威評測中，NEO架構均斬獲高分，展現出優於其他原生VLM的綜合性能，真正實現了原生架構的「精度無損」。

極致推理性價比：特別是在0.6B-8B的參數區間內，NEO在邊緣部署方面優勢顯著。它不僅實現了精度與效率的雙重躍遷，更大幅降低了推理成本，將多模態視覺感知的「性價比」推向了極致。

開源共建，構建下一代AI基礎設施

架構是模型的「骨架」，只有骨架扎實，才能支撑起多模態技術的未來。NEO架構的早期融合設計支持任意分辨率與長圖像輸入，能夠擴展至視頻、具身智能等前沿領域，實現了從底層到頂層、端到端的真正融合。

從應用角度，端到端的「原生一體化」設計，為機器人具身交互、智能終端多模態響應、視頻理解、3D交互及具身智能等多元化場景的應用，提供了堅實的技術支撑。

目前，商湯已正式開源基於NEO架構的2B與9B兩種規格模型，以推動開源社區在原生多模態架構上的創新與應用。

商湯科技表示，致力於通過開源協作與場景落地雙輪驅動，將NEO打造為可擴展、可復用的下一代AI基礎設施，推動原生多模態技術從實驗室走向廣泛的産業化應用，加速構建下一代産業級原生多模態技術標準。