1. 开源多模态大模型的新里程碑：dots.vlm1的崛起
在人工智能领域持续突破的当下，多模态大模型无疑是前沿焦点。近期，小红书Hi Lab正式发布并开源了其首个自研多模态大模型——dots.vlm1。这一模型的问世，不仅代表着小红书在AI技术栈上的深厚积累，更标志着开源多模态模型在性能上迈向了全新的高度，其在多模态视觉理解与推理方面的卓越表现，已然能够与业界顶尖的闭源模型如Gemini2.5Pro和Seed-VL1.5相媲美。这无疑为全球AI研究者和开发者带来了令人振奋的创新成果，预示着一个更加开放、普惠的人工智能新纪元正在加速到来。
dots.vlm1的核心构建基于两大支柱：一个是从零开始完全训练的12亿参数NaViT视觉编码器，以及DeepSeek V3大语言模型。这种从底层开始自主研发的策略，与当前市场上普遍采用的基于现有成熟模型进行微调的路径截然不同，它赋予了dots.vlm1更深层次的创新潜力和更强的泛化能力。模型的开源，不仅是技术实力的展示，更是对整个AI社区的重大贡献，有望加速多模态AI技术的普及与应用。
2. NaViT视觉编码器的技术创新与优势
dots.vlm1之所以能在众多多模态模型中脱颖而出，其原生自研的NaViT视觉编码器功不可没。传统的视觉编码器往往在处理不同分辨率的图像时需要进行额外的调整或限制，而NaViT则原生支持动态分辨率输入，这意味着它能更好地适应多样化的真实图像场景，无论是高清大图还是手机截屏，都能保持高效且准确的理解能力。这种灵活性对于处理小红书平台上海量的、形态各异的用户生成内容（UGC）具有极其重要的意义。
更进一步，NaViT的设计融合了纯视觉与文本视觉的双重监督机制。这种独特的训练范式使得模型不仅能够从图像本身学习视觉特征，还能从图像与文本的对齐关系中学习跨模态的语义关联。例如，当模型看到一张美食图片时，它不仅能识别出食物的种类，还能理解图片描述中关于烹饪方法或食材产地的文本信息，从而建立起更深层次的视觉-文本对应关系。这种双重监督极大地提升了模型的泛化能力，尤其是在处理那些非典型结构化图片，如复杂的表格、科学图表、数学公式和各类文档时，dots.vlm1展现出令人印象深刻的精确识别与逻辑推理能力。这对于那些需要从图片中提取结构化信息或进行复杂数据分析的场景而言，无疑是一项关键突破。
3. 高质量数据构建：模型性能的基石
任何大型模型的成功都离不开高质量、大规模的数据集支撑。Hi Lab团队深谙此道，为dots.vlm1构建了规模庞大且经过严格清洗和精细对齐的训练集。他们通过自主重写网页数据，有效地提升了图文对齐的质量。在实际应用中，网页数据往往存在大量噪音和不准确的标签，通过人工或半自动化的方式进行重写和校验，确保了视觉内容与文本描述之间的语义一致性，这对于模型理解复杂场景和上下文至关重要。
此外，团队还自主研发了“dots.ocr”工具，专门用于处理PDF文档中的图文信息。PDF文档通常包含复杂的排版、图表和表格，传统的OCR工具难以精准提取和关联。dots.ocr的出现，极大地提高了从PDF中获取高质量图文数据的效率和准确性，为模型的跨模态理解能力打下了坚实的基础。可以说，dots.vlm1的卓越性能，并非仅仅依赖于先进的模型架构，更是Hi Lab团队在数据工程领域投入巨大精力和专业知识的成果，体现了数据在AI研发中的核心价值。
4. 评测表现：对标顶尖闭源模型的实力验证
dots.vlm1的实力并非停留在理论层面，其在主流国际多模态评测集上的综合表现，有力地证明了其媲美顶尖闭源模型的真实能力。在MMMU（多模态多任务理解）、MathVision（数学视觉推理）和OCR Reasoning（光学字符识别推理）等多项基准测试中，dots.vlm1均达到了与Gemini2.5Pro和Seed-VL1.5相近的水平。
尤其值得关注的是，在处理复杂的图表推理、STEM（科学、技术、工程、数学）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。例如，它能够准确理解并解决奥数等高难度数学任务中的视觉信息，这在多模态AI领域尚属罕见。尽管在文本推理的极复杂任务上，dots.vlm1与SOTA（State-of-the-Art）闭源模型仍存在一定差距，但这并不影响其在通用数学推理和代码生成能力上已与主流大语言模型持平的事实。这表明dots.vlm1在多模态数据处理和复杂问题解决方面已经具备了坚实的基础和广阔的应用前景。
5. 开源战略的深远影响与未来展望
小红书Hi Lab选择开源dots.vlm1，这一决策本身就具有深远的战略意义。在当前AI技术快速发展的背景下，开源已成为推动技术进步和生态繁荣的重要途径。通过开源，dots.vlm1能够被全球范围内的研究机构、企业和开发者社区广泛使用和检验，从而加速模型的迭代优化，并催生出更多创新性的应用。它降低了多模态AI技术的门槛，使得更多致力于AI创新的团队能够站在巨人的肩膀上，共同推动人工智能领域的边界。
Hi Lab团队已经明确表示，未来将继续致力于模型的优化工作。他们计划进一步扩大跨模态数据的规模，以期模型能够学习到更加丰富和细致的视觉与文本关联模式。同时，引入强化学习等前沿算法，是提升模型推理泛化能力的另一关键方向。强化学习能够让模型通过与环境的交互，不断地自我修正和优化决策过程，从而在更复杂的、未知的数据分布上展现出更强的鲁棒性和适应性。通过dots.vlm1的开源，小红书不仅贡献了一个高性能的模型，更是在积极构建一个开放、协作、充满活力的多模态大模型生态系统，其对整个行业发展的影响将是长期而深远的。这种开放共赢的理念，正是推动人工智能技术走向普惠化、智能化社会的关键驱动力。
