MOSS-VL技术报告：将实时交互作为一等能力的开源视觉语言模型家族

来源：AI HOT 精选·2026-08-15 08:00发布时间待核实

MOSS-VL是一个将实时交互（边感知边说话）作为一等能力的开源视觉语言模型家族，通过门控交叉注意力让语言解码器在生成时同步处理视觉输入。MOSS-VL-Realtime在四个流式基准中平均成绩居开源模型之首（三项第一、一项第二），在OmniMMI Proactive Alerting上以66.0分大幅领先最佳基线（37.5分）。