站在DeepSeek肩膀上，小红书开源首款多模态模型：看懂表情包与数学题，一手实测

智东西
作者 陈骏达
编辑 李水青

智东西8月7日报道，昨天，小红书hi lab（人文智能实验室）开源了其首款多模态大模型dots.vlm1，这一模型基于DeepSeek V3打造，并配备了由小红书自研的12亿参数视觉编码器NaViT，具备多模态理解与推理能力。

hi lab称，在主要的视觉评测集上，dots.vlm1的整体表现已接近当前领先模型，如Gemini 2.5 Pro与Seed-VL1.5 thinking，尤其在MMMU、MathVision、OCR Reasoning等多个基准测试中显示出较强的图文理解与推理能力。

这一模型可以看懂复杂的图文交错图表，理解表情包背后的含义，分析两款产品的配料表差异，还能判断博物馆中文物、画作的名称和背景信息。

▲部分官方案例（图源：小红书技术）

在典型的文本推理任务（如AIME、GPQA、LiveCodeBench）上，dots.vlm1的表现大致相当于DeepSeek-R1-0528，在数学和代码能力上已具备一定的通用性，但在GPQA等更多样的推理任务上仍存在差距。

▲dots.vlm1基准测试结果（图源：小红书技术）

总体来看，dots.vlm1在视觉多模态能力方面已接近SOTA（最佳性能）水平，在文本推理方面达到了主流模型的性能。不过，hi lab也强调，dots.vlm1在部分细分任务上仍与最优结果存在一定距离，需要在架构设计与训练数据上进一步优化。

目前，dots.vlm1已上传至开源托管平台Hugging Face，用户还可以在Hugging Face上的体验链接中免费使用这一模型。

今年6月6日，小红书开源了其首款大语言模型，并在之后开源了用于OCR的专用模型，以及视觉、奖励模型等前沿方向的研究成果。这位大模型界新玩家的后续动作，值得持续关注。

开源地址：https://huggingface.co/rednote-hilab/dots.vlm1.inst体验链接：https://huggingface.co/spaces/rednote-hilab/dots-vlm1-demo
一、解读复杂英文图表，还能玩视觉脑筋急转弯

智东西体验了dots.vlm1的多模态理解能力。我们将OpenAI昨日开源模型的体验网页截图上传给dots.vlm1，要求其解读图片的核心信息。

可以看到，dots.vlm1准确识别了图中的大部分信息，还能通过阅读右侧的代码，设想出这一代码可视化后的效果。不过，或许是由于OCR环节的问题，它将其中一款模型的参数量识别错了。

dots.vlm1具备一定的复杂图表推理能力。官方Demo案例中，dots.vlm1读懂了文本交错的英文图表，准确理解图标元素之间的关系，并计算出了用户所问的数据。

上传一张景区价目表，再辅以文字提示词描述团队信息，dots.vlm1就能为用户做好购票方案的规划。

数学能力方面，dots.vlm1能看懂几何题中的图形，并理解颜色等信息，根据这些信息解题，并得出正确答案。

dots.vlm1还能对emoji等视觉信息进行推理。例如，它根据几个emoji所代表的形象，猜测出了这一段信息代表的是《饥饿游戏前传：鸣鸟与蛇之歌》。

二、基于DeepSeek V3打造，12亿视觉编码器实现多模态感知

dots.vlm1由三个核心组件构成：一个12亿参数的NaViT视觉编码器、一个轻量级的MLP适配器，以及DeepSeek V3 MoE大语言模型。这一架构通过三阶段流程进行训练：

（1）视觉编码器预训练

NaViT编码器由hi lab从头训练，旨在最大化对多样视觉数据的感知能力。该编码器包含42层Transformer，采用RMSNorm、SwiGLU和二维旋转位置编码（2D RoPE）等技术。

预训练过程中，NaViT编码器使用双重监督策略，包括下一Token预测（NTP）和下一Patch生成（NPG）。前者通过大量图文对训练模型的感知能力，后者利用纯图像数据，通过扩散模型预测图像patch，增强空间与语义感知能力。训练过程中使用了大量图文对。

在预训练的第二阶段，hi lab逐步逐步提升图像分辨率，从百万像素级别输入开始，在大量token上进行训练，之后升级到千万像素级别进行训练。为进一步提升泛化能力，还引入了更丰富的数据源，包括OCR场景图像、grounding数据和视频帧。

（2）VLM预训练

在这一阶段，hi lab将视觉编码器与DeepSeek V3联合训练，使用大规模、多样化的多模态数据集，主要包括跨模态互译数据和跨模态融合数据。

跨模态互译数据用于训练模型将图像内容用文本进行描述、总结或重构，包括普通图像、复杂图表、表格、公式、图形、OCR场景、视频帧以及对应的文本注释等。

跨模态融合数据用于训练模型在图文混合上下文中执行下一token预测，避免模型过度依赖单一模态。

hi lab称，该团队为不同类型的融合数据设计了专门的清洗管线，以下两类效果尤为显著：

网页数据：网页图文数据多样性丰富，但视觉与文本对齐质量不佳。hi lab采用内部自研的VLM模型进行重写和清洗，剔除低质量图像和弱相关文本。

PDF数据：PDF内容质量普遍较高。为充分利用这类数据，hi lab开发了专用解析模型dots.ocr（这一模型也已开源），将PDF文档转化为图文交错表示。同时还将整页PDF渲染为图像，并随机遮挡部分文本区域，引导模型结合版面与上下文预测被遮挡内容，从而增强其理解视觉格式文档的能力。

（3）VLM后训练

hi lab通过有监督微调（SFT）增强dots.vlm1模型的泛化能力，仅使用任务多样的数据进行训练，并未采用强化学习。

结语：感知推理能力仍有提升空间，下一步将探索强化学习

hi lab称，该团队在评估中发现，dots.vlm1在视觉感知与推理能力上仍存在不足。

在视觉感知方面，hi lab计划扩大跨模态互译数据的规模与多样性，并进一步改进视觉编码器结构，探索更有效的神经网络架构与损失函数设计，从而提升训练效率。

在视觉推理方面，hi lab将使用强化学习方法，以缩小文本与多模态提示在推理能力上的差距；同时也将探索把更多推理能力前置到预训练阶段的可能性，从而增强泛化性和效率。