**MOSS-VL 技术报告:支持实时交互的开源视觉语言模型**

_MOSS-VL Technical Report_

> HuggingFace Daily Papers 社区热门论文介绍了 MOSS-VL,一个将实时交互(边感知边生成)作为核心能力的开源视觉语言模型。该模型通过门控交叉注意力机制实现边看边说,采用合成交互语料和分阶段课程学习。在四个流式基准测试中,MOSS-VL-Realtime 在三个测试中排名第一,在主动行为测试中得分 66.0 远超基线 37.5。11.3B 参数的模型在视觉上下文增长时首 token 延迟优势从 2.8 倍提升至 5.1 倍。所有模型、训练代码和推理代码已开源。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-08-18 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2608.15045)