MOSS 开源图像指令微调模型
推荐指数 40.0 NO. 006 · 2026.10.23
likes570downloads6,890
简介
复旦 MOSS 团队发布的图像理解微调模型，基于多模态 SFT 训练提升视觉指令跟随能力。适合需要低成本构建图像对话能力的团队，无需从头训练基础模型。
编辑判断
国内多模态赛道此前被 Qwen-VL、Yi-VL 等阿里零一万物系主导，复旦 MOSS 团队这次开源提供了另一种技术路线选择。该模型下载量近 7K 但社区讨论度偏低，说明工具链和文档可能还没跟上，实际接入成本需要自行评估。
如果你已经在用 LLaVA 系列做视觉微调，可以横向对比 MOSS-Image-SFT 的数据处理策略——它采用了不同的图像-文本对齐方式，在部分中文场景下响应风格更自然。建议先跑一遍它提供的 inference demo，再决定是否替换现有管线。