模型简介
在通用多模态能力上，MOSS-VL 支持中英文双语下的文本、单图、多图、单视频、多视频以及图文／视频交错输入，可完成视频描述、基于视频内容的问答与推理、跨时段事件关联、视频动作计数、图像关键信息提取、多图关联推理、OCR 识别与文档布局解析等任务。
由此，视频理解从「看完整段再作答」推进到「边看边答、边答边改」，更贴近真实在线交互场景。
功能描述
-
实时交互：模型能在持续输入的视频流上边看边答，更能在生成回复的同时持续感知画面、即时改口乃至打断，并在信息不足时主动沉默等待——从「看完再答」迈入「边看边答、边答边改」，贴近真实在线场景。
-
视频理解： 时序一致性、动作识别与因果推理能力全面强化，能够更准确地还原复杂视频中的事件链条、识别跨时段因果关系；本代模型的细粒度动作计数能力实现显著跃升，可精准统计视频中重复或连续动作的发生次数，在 VideoMME、MLVU、VSI-bench 等基准测试中的表现较上一代进一步领先。
-
多模态感知： 细粒度物体识别和空间推理能力持续优化，能够在高分辨率画面中更精准地定位细小物体，并理解复杂空间关系。
-
图像关键信息提取与多图推理：图像中文字内容识别（OCR）与推理多图之间的逻辑联系与对比关系。
-
文档布局解析：可以将论文、报告等文档转化为 Markdown 格式，文档版面结构识别与信息提取。
Benchmark
