小红书发布开源多模态大模型dots.vlm1，NaViT视觉编码器领跑行业

小红书发布开源多模态大模型dots.vlm1，NaViT视觉编码器引领行业发展

小红书Hi Lab近日发布了全新的开源多模态大模型dots.vlm1，该模型结合了NaViT视觉编码器和DeepSeek V3大语言模型，展现出了在多模态任务中的卓越性能。dots.vlm1在图表推理和STEM数学推理等领域的表现尤为突出，标志着开源多模态模型迈上了新台阶，进一步推动了视觉与语言融合的技术进步。

亮点提要：

• NaViT视觉编码器：dots.vlm1采用了原生自研的NaViT视觉编码器，该编码器支持动态分辨率，能够提升模型在多种视觉输入下的泛化能力。其在处理不同分辨率的图像时能够提供高效的性能，展现出其在多模态应用中的优势。
• 大规模清洗精细的训练集：该模型构建了一个大规模、清洗精细的训练集，以提升图文对齐的质量，从而在图像和文本之间实现更为准确的映射。通过精细的数据处理，dots.vlm1能够更好地理解和生成图像与文本的多模态内容。
• 与闭源模型的对比：在多模态评测中，dots.vlm1的表现接近闭源模型Gemini2.5Pro和Seed-VL1.5，为开源多模态模型的发展提供了新的里程碑。这一成绩展示了dots.vlm1在多模态任务中的强大能力，进一步证明了开源模型的竞争力。

数据对比表：dots.vlm1模型亮点对比

领域	传统多模态模型	dots.vlm1开源多模态模型	提升幅度
视觉编码器	常规视觉编码器，固定分辨率	原生自研NaViT编码器，支持动态分辨率	提升了视觉输入的泛化能力
训练集质量	训练集较为简单，缺乏精细数据清洗	构建大规模清洗精细的训练集，提升图文对齐质量	提升了训练集的质量和效果
多模态评测表现	表现一般，较难接近闭源大模型	在多模态评测中接近Gemini2.5Pro和Seed-VL1.5	在多模态任务中展现了卓越性能

总结：

小红书发布的dots.vlm1开源多模态大模型，通过结合NaViT视觉编码器和DeepSeek V3大语言模型，推动了多模态技术的进一步发展。其在图表推理和STEM数学推理等领域的突出表现，不仅展示了模型在实际应用中的潜力，也证明了开源多模态模型在技术创新方面的巨大竞争力。随着dots.vlm1的发布，开源社区将在多模态领域迈向新的高度。