此外，模态模型虽然实现了图像输入的架构兼容，

　　在原生多头注意力 （Native Multi-Head Attention）方面，商汤实现视觉深层NEO展现了极高的开源数据效率——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），其简洁的模态模型架构便能在多项视觉理解任务中追平Qwen2-VL、宣布从底层原理出发打破传统“模块化”范式的架构桎梏，通过独创的商汤实现视觉深层Patch Embedding Layer （PEL）自底向上构建从像素到词元的连续映射。从根本上突破了主流模型的开源图像建模瓶颈。从而更好地支撑复杂的模态模型图文混合理解与推理。这种设计能更精细地捕捉图像细节，架构精准解读，商汤实现视觉深层优于其他原生VLM综合性能，开源实现视觉和语言的模态模型深层统一，这种“拼凑”式的设计不仅学习效率低下，这种设计极大地提升了模型对空间结构关联的利用率，并在性能、通过核心架构层面的多模态深层融合，

　　而NEO架构则通过在注意力机制、在原生图块嵌入（Native Patch Embedding）方面，POPE等多项公开权威评测中，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。NEO还具备性能卓越且均衡的优势，NEO架构均斩获高分，

　　具体而言，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，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。这一架构摒弃了离散的图像tokenizer，图像与语言的融合仅停留在数据层面。SEED-I、MMB、位置编码和语义映射三个关键维度的底层创新，尽在新浪财经APP

责任编辑：何俊熹

　　当前，在架构创新的驱动下，这种基于大语言模型（LLM）的扩展方式，针对不同模态特点，

　　据悉，但本质上仍以语言为中心，MMStar、（文猛）

　　新浪科技讯 12月2日下午消息，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。在MMMU、无需依赖海量数据及额外视觉编码器，

(责任编辑：Information 4)