MOSS-VL技术报告：开源实时视觉语言模型

我们提出MOSS-VL，一个开放视觉语言模型家族，将实时交互——边说话边感知——视为一等能力。它在整个技术栈上协同设计：语言解码器仅通过门控交叉注意力关注视觉，使模型在生成时能自然看到传入帧；一个合成的交互语料库监督何时说话、何时保持沉默以及何时修正；分阶段课程将所有实时特定训练集中在一个轻量级最终阶段，基于强大的离线基础。离线状态下，MOSS-VL-Instruct在可比规模上具有竞争力，并在时间推理视频集上领先。在四个流式基准测试中，MOSS-VL-Realtime在开源流式模型中平均得分最高（在第四个上排名第二），横扫三个直接测试主动行为的子集——在OmniMMI主动提醒上，以66.0对比最佳基线的37.5。尽管拥有113亿参数但视觉标记位于解码序列之外，MOSS-VL在视觉上下文增长时，将其相对于同骨干Qwen3-VL-8B的首令牌时间优势从2.8倍扩大到5.1倍。我们发布全部五个检查点、训练课程和实时推理代码，网址为https://github.com/OpenMOSS/MOSS-VL。