抖音 SAIL 团队联合 LV-NUS Lab 推出全新多模态大模型 SAIL-VL2，并宣布全面开源。该模型在参数规模相对较小的情况下，依然在多项复杂推理任务中展现出卓越性能，甚至可与部分大规模闭源模型一较高下。
SAIL-VL2 提供 2B 和 8B 两种参数版本，在涵盖 106 个数据集的广泛测试中实现了显著突破，尤其在 MMMU、MathVista 等高难度推理基准上表现抢眼。这一成果得益于其在架构设计、训练策略和数据构建三大核心领域的创新。
在模型架构方面，SAIL-VL2 引入了稀疏化的混合专家（MoE）机制，有效平衡了性能与计算开销。其视觉编码器 SAIL-ViT 采用渐进式优化策略，持续增强图像与语言之间的对齐能力。得益于这种结构设计，模型在推理过程中仅需激活少量专家参数，大幅提升了运行效率。
在数据构建上，团队精心打造了一个高质量、多样化的多模态语料库，结合评分筛选与合成增强技术，确保训练数据的准确性与丰富性。同时，研究团队提出了一种分阶段的渐进式训练框架，从初级感知任务逐步过渡到高级推理任务，帮助模型更有效地掌握复杂逻辑能力。
通过端到端的全链路优化，SAIL-VL2 在基础模型能力上实现了重要跃升。实验结果表明，其 8B 版本在推理性能方面已接近当前领先的 GPT-4o，展现出强大的竞争力。
