小紅書開源首款多模態模型

　　8月7日消息，小紅書hi lab（人文智能實驗室）開源了其首款多模態大模型dots.vlm1，這一模型基于DeepSeek V3打造，并配備了由小紅書自研的12億參數視覺編碼器NaViT，具備多模態理解與推理能力。

　　在主要的視覺評測集上，dots.vlm1的整體表現已接近當前領先模型，如Gemini 2.5 Pro與Seed-VL1.5 thinking，尤其在MMMU、MathVision、OCR Reasoning等多個基準測試中顯示出較強的圖文理解與推理能力。

　　據網經社云計算臺（CC.100EC.CN）了解，這一模型可以看懂復雜的圖文交錯圖表，理解表情包背后的含義，分析兩款產品的配料表差異，還能判斷博物館中文物、畫作的名稱和背景信息。

　　在主流視覺評測數據集上，dots.vlm1的整體性能已逼近當前處于領先地位的Gemini2.5Pro和Seed-VL1.5thinking模型。特別是在MMMU、MathVision、OCRReasoning等多個基準測試中，它展現出極具競爭力的成果，充分彰顯了其出色的圖文理解與推理能力。

　　在AIME、GPQA、LiveCodeBench等典型文本推理任務中，dots.vlm1的表現與DeepSeek-R1-0528大致相當。這表明它在數學和代碼能力方面已具備一定的通用性，但在GPQA等涵蓋范圍更廣的推理任務上，仍存在明顯差距。

　　綜合而言，dots.vlm1在視覺多模態能力上已接近當前最佳水平，文本推理能力也達到了主流模型的標準。不過，在部分細分任務中，它與最優結果仍有一定距離，未來還需在架構設計和訓練數據兩方面進行進一步優化。