Hugging Face、リアルタイム対話型オープンウェイトビジョン言語モデル「MOSS-VL」の技術報告を公開

記事の3ポイント

1. 1

   リアルタイム対話アーキテクチャの革新

   言語デコーダーがゲート付きクロスアテンションを通じて視覚情報のみにアクセスし、生成中にリアルタイムで映像を認識する「見ながら話す」能力を実現した。

2. 2

   能動的行動における性能の突破

   ストリーミングベンチマークにおいて、能動的行動を厳密にテストする3つのサブセットで最上位を記録し、オムニMMIプロアクティブアラートでは66.0というスコアを達成した。

3. 3

   推論遅延の劇的な短縮

   視覚トークンをデコードシーケンス外に配置することで、同バックボーンのQwen3-VL-8Bと比較して初トークンまでの時間を最大5.1倍まで短縮した。