模型核心性能 - 2B参数模型在多个基准测试中位列4B参数以下开源模型第一，OpenCompass平均得分70.31，超越Qwen2.5-VL-3B（65.36）和InternVL3.5-2B（66.64）等竞品 [1][27] - 8B参数模型在OpenCompass取得开源同量级模型最高分数75.07，并在MMStar（70.73分）、OCRBench（91.30分）等细粒度任务中领先 [27][28] - 思维增强版本SAIL-VL2-8B-Thinking在复杂推理任务中平均得分54.4，超越所有开源模型，仅次于GPT-4o-latest（54.8） [30][31] 技术创新与架构 - 引入稀疏混合专家（MoE）架构，31.1B大模型每次推理仅激活3B参数，并通过负载均衡损失将专家激活熵提升20%，优化计算效率 [7][9] - 视觉编码器SAIL-ViT采用三阶段训练（热身适应、细粒度对齐、世界知识注入），使视觉-语言特征空间的平均最近邻距离从1.42降至1.15，对齐效果显著提升 [8] - 突破传统ViT固定分辨率限制，通过"2D RoPE插值"技术支持最高1792×1792任意分辨率输入，在RefCOCO视觉定位任务中平均精度达57.82，远超固定分辨率版本的53.28 [10] 数据与训练策略 - 设计全自动数据pipeline，通过质量筛选（如双维度评分过滤低质量样本）和类型扩展（如合成VQA数据）构建高质量多模态语料库，最终使用250M通用caption和1.69M图表caption数据 [11][12][19] - 采用渐进式训练框架，分三阶段视觉预训练和两阶段多模态预训练，累计使用121B tokens数据，逐步激活模型从基础感知到复杂推理的多维度能力 [14][15] - 后训练阶段通过五阶段递进策略（如LongCoT SFT、可验证奖励RL等）强化模型能力，并利用Stream Packing技术将训练速度加快50%，QA性能提升0.7% [23][24][26] 行业竞争力表现 - 在106个数据集的综合评估中，SAIL-VL2在通用多模态理解、数学推理、多图像与视频理解等任务均实现领先，尤其在MMMU、MathVista等复杂推理基准超越同规模模型 [2][25][27] - MoE架构模型SAIL-VL2-A3B-Thinking以3B激活参数在推理任务中获得53.6分，超越闭源模型Gemini-2.0-Flash（50.6），展现出极高的效率性能比 [30][31] - 模型全面开源代码与权重，为行业提供可扩展的多模态基础模型新范式，强调"小模型强能力"的技术路径 [5][32]