商汤NEO多模态模型：原生架构革新，高效理解图文，性能登顶权威评测

💡 站外导读：在多模态AI竞争白热化的今天，传统模型常面临图文理解割裂、训练数据依赖大、中小模型部署难等行业痛点。商汤科技与南洋理工大学联合开源的NEO模型，正为这些挑战提供了全新解题思路。作为首个原生多模态架构，NEO通过底层创新，旨在实现图像与文本的真正融合，而非简单拼接。其在数据效率、性能表现和推理成本上的突破，或将重塑视觉语言模型的技术路径，加速AI在机器人、智能驾驶、医疗等实体经济场景中的规模化落地。

NEO是什么

NEO是商汤科技与南洋理工大学合作研发的全新多模态模型架构，作为首个原生多模态架构（Native VLM），NEO通过底层架构的深度创新，打破了传统多模态模型的局限。核心创新包括原生图块嵌入（Native Patch Embedding），能更精细地捕捉图像细节；原生三维旋转位置编码（Native-RoPE），完美适配图像和文本的自然结构；以及原生多头注意力（Native Multi-Head Attention），提升模型对复杂图文关系的理解能力。NEO在数据效率、性能和推理性价比方面表现出色，仅需较少数据即可达到顶尖视觉感知能力，在多项权威评测中取得优异成绩。商汤已开源2B和9B两种规格的NEO模型，推动原生多模态技术的产业化应用，构建下一代多模态技术标准。

NEO的主要功能

• 原生多模态融合：NEO通过底层架构设计，实现了图像和文本的深度融合，突破了传统多模态模型的模块化限制，能更自然地处理图文混合内容。
• 高效数据利用：仅需较少的数据量（如3.9亿图像文本示例），NEO就达到顶尖的视觉感知能力，显著提高了数据利用效率，降低了训练成本。
• 卓越性能表现：在多项权威评测中，NEO展现了优异的性能，无论是图像理解、文本生成还是图文推理任务，能提供高质量的输出。
• 高推理性价比：特别是在中小参数规模（如0.6B-8B）下，NEO在边缘部署和推理效率方面表现出色，适合广泛的实际应用场景。
• 开源协作与扩展：商汤已开源2B和9B两种规格的NEO模型，鼓励开发者和研究者基于此架构进行进一步开发和应用，推动多模态技术的产业化落地。

NEO的技术原理

• 原生图块嵌入（Native Patch Embedding）：通过自底向上的连续映射，将图像像素直接嵌入到模型中，避免了传统图像tokenizer的离散化处理，更精细地捕捉图像细节，提升图像建模能力。
• 原生三维旋转位置编码（Native-RoPE）：创新性地解耦了图像和文本的三维时空频率分配，为图像分配高频编码，为文本分配低频编码，更好地适配两种模态的自然结构，支持复杂场景下的空间结构关联。
• 原生多头注意力（Native Multi-Head Attention）：在统一框架下，同时实现文本的自回归注意力和视觉的双向注意力，提升模型对图文关系的理解能力，支持复杂的图文混合理解与推理任务。
• 底层架构创新：从底层架构出发，实现多模态的深度融合，而非简单的模块化拼接，从根本上突破了传统多模态模型的性能瓶颈，提升了模型的整体效能。
• 高效训练与推理：通过优化的架构设计，NEO在训练和推理过程中展现出更高的效率，特别是在中小参数规模下，能够实现更低的计算成本和更高的推理速度，适合广泛的实际应用。

NEO的项目地址

• Github仓库：https://github.com/EvolvingLMMs-Lab/NEO
• arXiv技术论文：https://arxiv.org/pdf/2510.14979

NEO的应用场景

• 图像与文本生成：NEO能根据文本描述生成高质量的图像，或者根据图像内容生成准确的文本描述，适用于创意设计、内容创作等领域。
• 智能搜索与推荐：通过理解图像和文本的深层语义，NEO可以为用户提供更精准的搜索结果和个性化推荐，提升用户体验。
• 多模态问答：NEO能处理图文混合的问答任务，结合图像和文本信息提供更准确的答案，适用于教育、客服等场景。
• 智能驾驶与机器人视觉：NEO的高效图像理解能力可用于智能驾驶中的场景感知、物体识别，以及机器人视觉中的环境理解与导航。
• 工业检测与监控：NEO能快速准确地识别图像中的异常和缺陷，适用于工业生产中的质量检测和监控系统。
• 医疗影像分析：NEO可以辅助医生进行医学影像的分析和诊断，结合病历文本信息提供更全面的诊断建议。