品玩4月10日讯，OpenMOSS团队近日正式开源MOSS-VL系列视觉理解模型。该模型采用创新的交叉注意力架构，通过解耦视觉编码与认知推理，有效解决了传统模型在处理视频流时面临的计算效率瓶颈，大幅降低了推理延迟。

MOSS-VL引入了绝对时间戳与XRoPE编码技术，实现了对视频事件的精准时空锚定与细粒度动作定位。在涵盖多模态感知、推理及文档OCR的30余项基准测试中，该模型表现卓越，尤其在视频理解任务上显著优于Qwen3-VL等同类模型，展现了强大的时序一致性与动态场景捕捉能力。

此次开源标志着OpenMOSS多模态生态的重要拓展。团队已规划MOSS-VL-1.5至2.0的技术演进路线，致力于通过架构创新与强化学习，最终实现超长视频的连续无损理解与全天候流式实时交互。