OpenMOSS 发了能边看视频边聊天的实时多模态模型，11B 参数开源可部署，适合做监控、直播等持续视频理解应用。
OpenMOSS 发布 MOSS-VL-Realtime，一个 11B 参数的多模态模型，支持实时视频流交互，可边接收视频边生成回复。采用 Cross-Attention 架构和 XRoPE 位置编码，支持 256K 上下文窗口，兼容文本、单图/多图、视频及图文交错输入。在流式视频理解基准上达到开源模型领先水平，主动预警和及时响应能力突出。同时开源 MOSS-VL-0708 Instruct，在细粒度感知和长视频理解任务上有明显提升。所有模型以 Apache-2.0 协议开源，支持本地部署和实时推理。
兄弟们，开源大小模型多端开花啊！ OpenMOSS 今天正式开源了 MOSS-VL-Realtim…
兄弟们，开源大小模型多端开花啊！
OpenMOSS 今天正式开源了 MOSS-VL-Realtime，这是一个专注于实时视频流交互的 11B 多模态模型。
不同于传统“先看完视频再回答”的离线模式，MOSS-VL-Realtime 支持在视频持续输入的过程中同步进行感知和生成。
它可以一边处理新帧，一边生成回复，并在场景变化时主动修改或打断自己的回答，也能在信息不足时保持沉默，真正实现“边看边聊”的实时交互体验。
模型亮点包括： - 采用 Cross-Attention 架构，将视觉编码与语言推理分离 - XRoPE 实现统一的时空位置编码 - 支持文本、单图/多图、单视频/多视频以及图文交错输入（中英双语） - 256K 超长上下文窗口 - 统一的对话模板，可同时支持离线、流式和实时交互模式
在流式视频理解基准上，MOSS-VL-Realtime 在开源模型中达到领先水平，尤其在主动预警（Proactive Alerting）和及时响应方面表现突出。
同时，新发布的 MOSS-VL-0708 Instruct 在细粒度感知、时间动作定位以及长视频理解等任务上也有明显提升。
模型已全部开源（Apache-2.0 协议），支持本地部署和实时推理。
Hugging Face：https://t.co/y9tV0GtjuV GitHub：https://t.co/rjlzVtu7SD 技术博客：https://t.co/rjlzVtu7SD（内含详细说明）
这可能是目前开源社区在实时多模态交互方向上的一次重要推进，尤其适合需要持续视频理解和动态对话的场景。