摘要

我们提出SAIL-VL2，这是一个面向全面多模态理解与推理的开源视觉语言基础模型（LVM）。作为SAIL-VL的继任者，SAIL-VL2在2B和8B参数规模下，于多样化的图像与视频基准测试中均达到当前最优性能，展现出从细粒度感知到复杂推理的强劲能力。其卓越表现主要得益于三项核心创新。首先，我们构建了一个大规模数据筛选与优化流程，结合评分与过滤策略，显著提升了图像描述、OCR、问答（QA）及视频数据在质量与分布上的均衡性，从而有效提升训练效率。其次，提出一种渐进式训练框架：从强大的预训练视觉编码器（SAIL-ViT）出发，经历多模态预训练阶段，最终融合“思维融合”式SFT-RL混合范式，系统性地增强模型能力。第三，架构层面实现突破，不仅支持密集型大语言模型（LLM），更引入高效的稀疏专家混合（Mixture-of-Experts, MoE）设计，兼顾性能与计算效率。得益于上述贡献，SAIL-VL2在106个数据集上展现出具有竞争力的综合表现，并在MMMU与MathVista等高难度推理基准上取得领先成果。此外，在OpenCompass排行榜上，SAIL-VL2-2B在4B参数规模的开源模型中位列第一，同时为开源多模态社区提供了一个高效、可扩展的基础模型平台。