自研创新，性能领跑
dots.vlm1的核心亮点在于其原生自研的NaViT视觉编码器。与传统基于成熟模型微调的方式不同，NaViT从零训练，并支持动态分辨率，能够更好地适应多样化的真实图像场景。该模型还通过结合纯视觉与文本视觉的双重监督，极大提升了其泛化能力，尤其是在处理表格、图表、公式、文档等非典型结构化图片时表现出色。
在数据方面，HiLab团队构建了规模庞大且清洗精细的训练集。他们通过自主重写网页数据和自研dots.ocr工具处理PDF文档，显著提升了图文对齐的质量，为模型的跨模态理解能力打下了坚实基础。
评测表现，媲美顶尖闭源模型
在主流国际多模态评测集上，dots.vlm1的综合表现令人瞩目。它在MMMU、MathVision和OCRReasoning等多项基准测试中，达到了与Gemini2.5Pro和Seed-VL1.5相当的水平。在复杂的图表推理、STEM数学推理以及长尾细分场景识别等应用中，dots.vlm1展现出卓越的逻辑推理和分析能力，完全胜任奥数等高难度任务。
尽管在文本推理的极复杂任务上与SOTA闭源模型仍有差距，但其通用数学推理和代码能力已与主流大语言模型持平。
HiLab团队表示，未来将继续优化模型。他们计划扩大跨模态数据规模，并引入强化学习等前沿算法，进一步提升推理泛化能力。通过开源dots.vlm1，小红书致力于为多模态大模型生态系统带来新的动力，推动行业发展。
相关文章
