【新智元导读】擅长「种草」的小红书正加大技术自研力度，两个月内接连开源三款模型！最新开源的首个多模态大模型dots.vlm1，基于自研视觉编码器构建，实测看穿色盲图，破解数独，解高考数学题，一句话写李白诗风，视觉理解和推理能力都逼近Gemini 2.5 Pro闭源模型。
最近的AI圈只能说是神仙打架，太卷了。
OpenAI终于发了开源模型，Claude从Opus 4升级到4.1，谷歌推出生成游戏世界的Genie 3引发社区热议。
国产模型这边，就在前几天，HuggingFace上排在最前面的10个开源模型还都来自国内。
国产模型前10霸榜和gpt-oss开源后直冲第一
但其实仔细观察这些排名靠前的开源模型，能发现一个「现象」：这些模型大部分都是文本模型，不具备多模态能力。
OpenAI首次开源的模型，也都是文本模型
如果说具备「多模态」能力，还要「好用」，并且是开源的模型，还真的数不出几个。
这边是一群文本模型神仙打架，那边小红书人文智能实验室（Humane Intelligence Lab，hi lab）在昨天低调开源了视觉语言模型dots.vlm1，给VLM带来了意想不到的惊喜。
为什么我们要关注一个不知名团队开源的视觉语言模型？
一个理由是，hi lab在上周开源的dots.ocr文档解析模型冲上了Huggingface的热榜第七，其基础模型是一个17亿参数的「小模型」，但依然实现了业界领先的SOTA性能，成功引起了我们的注意。
这个团队有在认真做事啊！
仔细看了看这个团队的架构和愿景，发现「hi lab」是由小红书内部大模型技术与应用产品团队合并升级而来，在关于hi lab的官方介绍中，特别强调了「将研发重点放在了多元智能形态上」。
他们希望通过融合人际智能、空间智能、音乐智能、人文关怀等各种智能形态，不断拓展人机交互的可能性。
对多模态的信仰和投入的决心可见一斑。
而dots.vlm1，正是小红书hi lab研发并开源的首个多模态大模型。
这个模型基于hi lab全自研的12亿参数NaViT视觉编码器和DeepSeek V3的大语言模型构建，在视觉的理解和推理任务上均有不俗的表现，接近了SOTA水平，并且在纯文本任务中仍保持竞争力。
在主要的视觉评测集上，比如MMMU/MathVision/OCR Reasoning，dots.vlm1的整体表现已接近当前领先模型Gemini 2.5 Pro与Seed-VL1.5 Thinking，显示出较强的图文理解与推理能力。
在典型的文本推理任务（如AIME、GPQA、LiveCodeBench）上，dots.vlm1的表现大致相当于DeepSeek-R1-0528，在数学和代码能力上已具备一定的通用性，但在GPQA等更多样的推理任务上仍存在差距。
总体来看，dots.vlm1在视觉多模态能力方面已接近SOTA水平。
Github Repo：
https://github.com/rednote-hilab/dots.vlm1
Huggingface Model：
https://huggingface.co/rednote-hilab/dots.vlm1.inst
Demo ：
https://huggingface.co/spaces/rednote-hilab/dots-vlm1-demo
在实测中，我们发现，不论是空间关系理解、复杂图表推理、OCR识别、高考题评测、STEM难题、写诗等各个方面，dots.vlm1的表现都远超预期。
实测惊艳，很能打
首先是空间理解，比如这个包含常见物体空间关系图。
为了避免模型靠着语义来跳过真正的理解过程，随机给两个关系打上马赛克，然后让dots.vlm1来定义物体的空间关系。
最终模型成功识别，精准给出了「between」和「above」的关系。
面对复杂图表，dots.vlm1也具备强大的分析能力。
比如要求从下面图表提取分数为50-59分，并且模型名称中带有字母P的模型。
dots.vlm1在思考过程中即可同步多段逻辑判断，像这种多链条复杂推理体现了dots.vlm1不仅能「看」，还能「思考」。
同样地，即使是数独问题，dots.vlm1也能完美地完成解题。
模型第一步会将问题格式化，方便后续计算。
然后开始逐步试算和检查，可以看到dots.vlm1将图片中的数独问题转化为了向量描述，确实是一种聪明的做法。
在长时间的思考过程中，我们还发现了类似DeepSeek「啊哈时刻」，dots.vlm1在某个阶段还喊出拟人化的「Yes！」。
不过仔细看了思考过程后，发现第一步向量化转化时，（3,8）位置的6被识别到（3,9）位置上，但是模型依然「严格按照数独规范」，最后强行将（6,9）位置的6变成8。
这个推理过程有点太强了！这意味着模型是真正的在思考和推理。
解决这个数独问题的思考时间非常长，关键是如此长时间思考，模型并没有中断。
dotas.vlm1的图像识别能力也非常强，不论是常见还是冷门的，还是人类都很难识别的图片。
比如经典的红绿色盲数字问题。
dots.vlm1一次性全部答对，不论是颜色和形状识别都很准。
另外是一个VLM经常遇到的「数数」问题，模型需要识别图片中的物体种类和数量。
这些问题对于人类来说很简单，但是对于VLM就没那么容易了。
在这种「目标搜索」任务中VLM的表现，会随着场景里目标数量的增多而迅速下降。
可以看到当物体数量超过6个时，VLM的准确率急剧下降。
dots.vlm1很好的完成了左上、左下和右上的数量识别；右下人类也很难数得清，但dots.vlm1依然在思考过程中努力数了个大概。
再接着看看推理能力。
比如你正在组团前往故宫博物院，你们一行一共8人（7名成人和一名12岁的儿童），你们打算参观中轴线、三大殿和珍宝馆，应该购买哪个服务最省钱？
dots.vlm1很快就整合信息所有信息计算出了最佳方案，非常细节，模型发现了中轴线其实已经包含了三大殿，选择了中轴线+珍宝馆的方案。
这个「数学计算」似乎有点简单，那就来个复杂的，第一时间就想到今年的高考数学题。
