商汤科技正式发布并开源全新多模态模型架构NEO

商汤科技正式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，为日日新SenseNova多模态模型奠定了新一代架构的基石。

作为行业首个可用的、实现深层次融合的原生多模态架构（Native VLM），NEO从底层原理出发，打破了传统“模块化”范式的桎梏，以“专为多模态而生”的创新设计，通过核心架构层面的多模态深层融合，实现了性能、效率和通用性的整体突破，重新定义了多模态模型的效能边界，标志着人工智能多模态技术正式迈入“原生架构”的新时代。

论文网址：https://arxiv.org/abs/2510.14979

Github开源网址：https://github.com/EvolvingLMMs-Lab/NEO（点击阅读原文即可跳转）

打破瓶颈告别“拼凑”，拥抱“原生”

当前，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。这种基于大语言模型（LLM）的扩展方式，虽然实现了图像输入的兼容，但本质上仍以语言为中心，图像与语言的融合仅停留在数据层面。这种“拼凑”式的设计不仅学习效率低下，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。

商汤NEO架构正是为了解决这一痛点而生。早在2024年下半年，商汤便在国内率先突破多模态原生融合训练技术，以单一模型在SuperCLUE语言评测 和OpenCompass多模态评测中夺冠，并基于这一核心技术打造了日日新SenseNova 6.0，实现多模态推理能力领先。

之后，在2025年7月发布日日新SenseNova 6.5通过实现编码器层面的早期融合，把多模态模型性价比提升3倍，并在国内率先推出商用级别的图文交错推理。商汤此次更进一步，彻底摒弃了传统的模块化结构，从底层原理出发，推出了从零设计的NEO原生架构。

三大内核创新实现视觉和语言的深层统一

NEO架构以极致效率和深度融合为核心理念，通过在注意力机制、位置编码和语义映射三个关键维度的底层创新，让模型天生具备了统一处理视觉与语言的能力：

原生图块嵌入(Native Patch Embedding)：摒弃了离散的图像tokenizer，通过独创的Patch Embedding Layer (PEL)自底向上构建从像素到词元的连续映射。这种设计能更精细地捕捉图像细节，从根本上突破了主流模型的图像建模瓶颈。

原生三维旋转位置编码(Native-RoPE)：创新性地解耦了三维时空频率分配，视觉维度采用高频、文本维度采用低频，完美适配两种模态的自然结构。这使得NEO不仅能精准捕获图像的空间结构，更具备向视频处理、跨帧建模等复杂场景无缝扩展的潜力。

原生多头注意力(Native Multi-Head Attention)：针对不同模态特点，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。这种设计极大地提升了模型对空间结构关联的利用率，从而更好地支撑复杂的图文混合理解与推理。

此外，配合创新的Pre-Buffer & Post-LLM双阶段融合训练策略，NEO能够在吸收原始LLM完整语言推理能力的同时，从零构建强大的视觉感知能力，彻底解决了传统跨模态训练中语言能力受损的难题。

实测表现：十分之一的数据追评旗舰级性能

在架构创新的驱动下，NEO展现出了惊人的数据效率与性能优势：

极高数据效率：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），NEO便能开发出顶尖的视觉感知能力。无需依赖海量数据及额外视觉编码器，其简洁的架构便能在多项视觉理解任务中追平Qwen2-VL、InternVL3等顶级模块化旗舰模型。

性能卓越且均衡：在MMMU、MMB、MMStar、SEED-I、POPE等多项公开权威评测中，NEO架构均斩获高分，展现出优于其他原生VLM的综合性能，真正实现了原生架构的“精度无损”。

极致推理性价比：特别是在0.6B-8B的参数区间内，NEO在边缘部署方面优势显著。它不仅实现了精度与效率的双重跃迁，更大幅降低了推理成本，将多模态视觉感知的“性价比”推向了极致。

开源共建构建下一代AI基础设施

架构是模型的“骨架”，只有骨架扎实，才能支撑起多模态技术的未来。NEO 架构的早期融合设计支持任意分辨率与长图像输入，能够无缝扩展至视频、具身智能等前沿领域，实现了从底层到顶层、端到端的真正融合。

从应用角度，端到端的“原生一体化”设计，为机器人具身交互、智能终端多模态响应、视频理解、3D交互及具身智能等多元化场景的应用，提供了坚实的技术支撑。

目前，商汤已正式开源基于NEO 架构的2B 与 9B两种规格模型，以推动开源社区在原生多模态架构上的创新与应用。

商汤科技表示，致力于通过开源协作与场景落地双轮驱动，将NEO 打造为可扩展、可复用的下一代 AI 基础设施，推动原生多模态技术从实验室走向广泛的产业化应用，加速构建下一代产业级原生多模态技术标准。