Open MOSS 开源实时多模态模型

AdinaYakup · x · 2026-07-19

Open MOSS 开源了 MOSS-VL-Realtime，在 Hugging Face 上可用。这个 11B 模型家族支持文本、单图/多图、单视频/多视频，以及图文交错输入，覆盖中文和英文场景。

项目强调了几项设计：用 Cross-Attention 将视觉编码与语言推理分离、用 XRoPE 做统一时空位置编码、提供适用于离线/流式/实时交互的统一对话模板，并支持 256K token 上下文。它还能在生成回复时继续处理新帧，根据场景变化修改或中断回答，甚至在证据不足时保持沉默。