商汤科技与南洋理工大学S-Lab联合发布并开源全新多模态模型架构NEO，通过底层架构创新实现视觉与语言的深层统一，在性能、效率和通用性上取得全面突破。

NEO最显著的突破在于其极高的数据效率——仅需3.9亿图像文本示例，相当于业界同等性能模型1/10的数据量，便能开发出顶尖的视觉感知能力。无需依赖海量数据及额外视觉编码器，NEO凭借简洁架构在多项视觉理解任务中追平Qwen2-VL、InternVL3等顶级模块化旗舰模型。

在MMMU、MMB、MMStar、SEED-I、POPE等多项公开权威评测中，NEO均斩获高分，综合性能优于其他原生VLM，真正实现了原生架构"精度无损"。

当前业内主流多模态模型大多遵循"视觉编码器+投影器+语言模型"的模块化范式。这种基于大语言模型的扩展方式虽然实现了图像输入兼容，但本质上仍以语言为中心，图像与语言的融合仅停留在数据层面。这种"拼凑"式设计不仅学习效率低下，更限制了模型在复杂多模态场景下的处理能力，尤其是涉及图像细节捕捉或复杂空间结构理解的任务。

NEO则通过在注意力机制、位置编码和语义映射三个关键维度的底层创新，让模型天生具备统一处理视觉与语言的能力。

原生图块嵌入（Native Patch Embedding）:NEO摒弃了离散的图像tokenizer，通过独创的Patch Embedding Layer（PEL）自底向上构建从像素到词元的连续映射。这种设计能更精细地捕捉图像细节，从根本上突破了主流模型的图像建模瓶颈。

原生多头注意力（Native Multi-Head Attention）:针对不同模态特点，NEO在统一框架下实现了文本token的自回归注意力和视觉token的双向注意力并存。这种设计极大提升了模型对空间结构关联的利用率，从而更好地支撑复杂的图文混合理解与推理。