商湯科技聯合南洋理工大學 S-Lab 發布行業首個原生多模態架構 NEO，并同步開源2B 與9B 兩款模型。新架構摒棄“視覺編碼器 + 投影器 + 語言模型”的傳統三段式方案，從注意力機制、位置編碼到語義映射全部重寫，官方稱在同等性能下數據需求僅為業界平均的1/10，首次實現“像素到 Token”的連續映射。
據商湯技術負責人介紹，NEO 通過原生圖塊嵌入層直接讀取像素，取消獨立圖像 Tokenizer;三維旋轉位置編碼（Native-RoPE）在同一向量空間內同時表達文本與視覺時空頻率;多頭注意力采用“視覺雙向 + 文本自回歸”混合計算，空間結構關聯得分提升24%。實測顯示，在0.6B-8B 參數區間內，NEO 在 ImageNet、COCO 與 Kinetics-400上取得 SOTA，邊緣設備推理延遲低于80毫秒。
GitHub 已公開模型權重與訓練腳本，商湯計劃明年第一季度開源3D 感知與視頻理解版本。業內人士認為，NEO 的“深層融合”路線有望結束多模態“拼積木”時代，為終端小模型提供新的性能基線。
