明略科技(2718.HK)推出新一代技术架构VisionHOPE，引领多模态大模型与世界模型新潮流

在现代化生产线上，一道细微的划痕可能直接决定产品的出厂命运；当机器人执行抓取任务时，物体边缘的模糊处理、遮挡物的动态变化以及位置偏移，都会对机械臂的精准操作构成挑战；而在医学影像分析领域，那些需要进一步观察的微小病灶，往往隐藏在复杂的组织结构之中，难以被快速识别。

这些看似截然不同的应用场景，实际上都指向了人工智能领域的一项核心能力：面对多样化的图像数据，模型能否以更灵活的方式处理信息，同时平衡处理效果与计算成本之间的关系？

这正是明略科技携手中国科学院自动化研究所，在VisionHOPE项目研究中聚焦的关键问题。

VisionHOPE开创了一种全新的视觉骨干网络架构：该架构允许模型在处理图像时，根据图像内容的特性动态调整内部信息的更新策略。其核心在于探索模型如何高效处理信息，并在计算过程中实现自我状态的智能调整。

目前，这项研究已在ImageNet-1K、COCO、ADE20K等多个通用视觉基准测试中取得了显著成效，特别是在高分辨率图像处理方面展现出了卓越的效率优势。

对于明略科技而言，底层模型研究的真正价值，最终需体现在实际业务应用中。模型能否实现更高效的图像处理？面对不同场景时，能否减少重复调试的工作量？这些问题直接关系到技术能否从实验室走向企业，成为真正可用的解决方案。

VisionHOPE的探索，恰好为解答这些问题提供了一个新的视角。

01｜VisionHOPE的创新之处何在？

要理解VisionHOPE，我们不妨先回顾一下传统模型的工作方式。

模型经过训练后，会形成一套固定的图像处理参数和规则。面对新图像时，它会利用这些训练所得的能力，进行特征提取、物体识别以及内容判断。而VisionHOPE则尝试革新模型处理信息的方式，它在内部设计了五类相互关联的记忆机制，分别负责信息内容、信息关联、更新方向、更新幅度以及信息保留等环节。在处理图像时，这些机制会协同工作，使信息的保留和更新成为计算过程的一部分。

以经验丰富的质检员为例，他们在检查一批产品时，不会机械地采用完全相同的方式检查每个位置。相反，他们会根据眼前的纹理、结构和细节，灵活决定哪里需要仔细检查，哪里可以快速扫过。

VisionHOPE的研究目标，正是让模型在处理图像时，也能像质检员一样，根据当前信息灵活调整内部处理方式。

稳定性是另一个关键问题。模型在处理信息的同时调整内部更新规则，必须避免调整幅度过大导致计算过程失控。为此，研究团队设计了稳定性控制机制，并对记忆状态更新的稳定性进行了深入的数学分析。

计算效率同样不容忽视。随着图像分辨率的提高，模型需要处理的信息量急剧增加。

VisionHOPE采用了不同于传统Transformer注意力机制的计算架构，旨在降低计算开销随图像尺寸增长的速度。

在ImageNet-1K图像分类基准测试中，VisionHOPE的Small版本Top-1准确率达到了85.2%，Base版本则达到了85.6%；在COCO、ADE20K等任务上，也取得了令人瞩目的成绩。

这些成绩表明，VisionHOPE架构在通用任务上已展现出巨大的技术潜力。接下来，更值得关注的是它在不同业务场景中能否持续发挥这些优势。

02｜多模态大模型：持续学习能力重塑成本与适配逻辑

多模态大模型首先让视觉编码器“看图”，再由语言模型进行“理解”。这双“眼睛”的细致程度、处理速度以及成本效益，不仅影响算力账单，更关键的是决定模型在处理新图像时能否快速学习和调整。视觉编码器不仅是成本控制的闸门，更是持续学习能力的入口。

VisionHOPE通过耦合记忆和动态更新机制，使视觉特征处理能够根据图像内容更灵活地组织信息。这并非简单地通过增加参数来提升能力，而是尝试让模型在处理信息时具备更强的适应性，为多模态大模型提供新的架构选择。

在ImageNet-1K上，VisionHOPE-S的Top-1准确率达到了85.2%，VisionHOPE-B则达到了85.6%，这表明其在通用视觉任务上具有强大的竞争力，也为真实场景中的学习与适配奠定了技术基础。

这种学习与适配能力在高分辨率场景中尤为重要。在一组高分辨率实验中，基于VisionHOPE的模型FLOPs降低了52.8%，吞吐量达到了对照模型的4.42倍，内存开销降低了94.6%。这不仅改善了成本问题，更重要的是，省下的算力可以用于处理更多新图像和新场景，为持续学习提供了更多空间。

从长远来看，持续学习的价值在于减少“重新来过”的次数。当前的多模态大模型主要依赖训练阶段形成的参数，一旦场景变化，往往需要补充数据并重新训练。而VisionHOPE将记忆内容与更新规则相结合，探索模型在推理过程中根据当前输入调整内部记忆的能力。如果未来能够扩展到跨图像、跨任务的信息积累，模型就有机会在推理过程中更充分地利用新信息，逐步实现持续学习，减少对反复重训的依赖。

VisionHOPE对多模态大模型的价值不仅在于控制高分辨率处理的成本，更在于赋予模型面对变化时持续学习的能力。

03｜具身智能：世界模型要运行，视觉底座需先行

现在，我们将视角转向具身智能领域。

机器人面临的首要挑战是时间。在抓取物体时，物体的位置可能不断变化；在移动过程中，行人可能经过，障碍物可能出现，摄像头的视角也可能发生改变。视觉系统需要及时处理这些信息，为后续的动作判断提供依据。它不能仅在静态图片上表现出色，还需要在连续变化的环境中稳定工作。同时，机器人搭载的计算设备通常受到功耗、体积和成本的限制。如果模型计算速度过慢或占用资源过多，再高的识别精度也难以转化为现场的实际能力。

具身智能领域需要解决一个实际问题：能否在有限的计算资源下，尽快从复杂画面中提取有用信息？

VisionHOPE对高分辨率图像处理效率的探索与这一需求紧密相关。其采用的计算架构值得进一步研究，以确定能否在复杂任务中兼顾图像信息的处理效果与计算开销。更进一步地，机器人不仅需要“看清现在”，还需要“预想下一步”。

这就涉及世界模型：机器人需要在内部形成对环境状态和变化趋势的某种表征，才能支持路径规划、动作预判和避障决策。世界模型需要从连续画面中抽取稳定信息，同时跟上环境变化的速度，这对视觉编码器的效率、信息保留和动态更新能力提出了更高要求。

VisionHOPE的动态记忆与更新机制以及面向高分辨率图像的计算设计，为未来探索更高效的视觉表征提供了想象空间：如果模型能在有限算力下更好地组织连续观测中的关键信息，它就有可能为世界模型提供更轻量、更灵活的视觉处理基础。

04｜工业质检：最昂贵的或许是“重新开始”

在工厂里，一条产线上的视觉质检系统可能已经积累了大量样本，模型也经过多轮调试，原本运行得相当稳定。但生产不会永远停留在同一状态：产品会更换型号，原材料会更换，设备和光照条件也会调整。

对企业而言，每次变化都可能带来新的识别问题。算法团队需要判断原有模型是否还能使用，哪些样本需要补充，哪些参数需要调整，并通过测试确认效果。一个看似不大的生产变化背后，可能是一轮新的适配工作。

因此，工业质检真正关心的不仅是模型首次能否准确找出缺陷，还包括生产条件变化后需要付出多少努力才能使其继续稳定工作。

VisionHOPE的研究与这一问题有何关联？

它探索的动态信息更新机制为模型处理不同图像提供了新思路。面对纹理、材质和细节各异的产品图像，模型能否更灵活地调整信息处理方式是一个值得深入研究的方向。

这里的商业价值不难理解：如果模型未来能更好地适应产品和成像条件的变化，企业就有机会减少部分重复调试工作，使质检方案更容易迁移到新的产品和产线。

当然，这项价值需要在真实产线上验证。比起笼统地说模型“更智能”，更有意义的是看具体的数字：产品换型后需要补充多少样本，模型适配周期能缩短多少，不同批次产品的检测效果是否稳定，以及整个系统需要多少计算资源。这些数字将告诉企业这项技术究竟能节省多少时间和成本。

对工业质检而言，值得期待的变化是每次生产条件改变时算法团队都不必从头开始忙碌。

05｜医疗与遥感：图像庞大而关键线索微小

还有一些任务的难点不完全在于环境变化，而在于图像本身过于复杂。

一张病理切片包含大量细胞和组织结构，需要从中发现值得进一步观察的区域；一景遥感影像覆盖广阔的地理范围，分析人员需要识别其中的道路、建筑、植被变化或异常目标。

在这些场景中，真正重要的信息可能只占整幅图像的很小一部分。图像缩小后细节容易丢失；保留高分辨率则会增加计算负担。

这就像在一座城市的全景地图上寻找一条异常道路：只看局部可能失去周边环境的信息；把所有细节都放大处理则会耗费大量时间和算力。

对于AI模型而言，如何处理好整幅图像与局部细节之间的关系是一个重要的技术问题。

VisionHOPE面向高分辨率图像的计算架构为这一方向提供了新的研究选择。论文报告的效率实验也为继续探索大尺寸图像处理提供了依据。

然而，医疗和遥感领域各有专业要求。医疗影像需要专业标注、诊断准确性评估以及严格的临床验证；遥感任务则需要考虑传感器、成像条件和地理环境的差异。

这两个领域也让我们看到AI模型未来的竞争力不仅体现在识别结果上，还体现在能否高效处理复杂图像同时保留完成任务所需的关键信息。

图像越来越大而重要线索未必更显眼。如何将计算资源集中在真正需要的地方是高分辨率视觉研究无法回避的问题。

06｜AI的下一步不仅要回答“准不准”

回到开头的三个场景。工业质检希望减少重复调试工作；机器人需要及时处理变化中的画面；医疗与遥感影像则希望在海量信息中保留关键细节。它们看似是三张不同的考卷，但背后都指向同一个问题：模型能否在真实世界中跟上变化、捕捉细节并为下一步判断留出空间。

过去人们评价模型时常常首先关注准确率。但随着模型进入更复杂的真实环境，计算效率、信息处理方式、面对新任务时的适应能力以及能否在连续变化中持续学习正成为新的评价尺度。未来的AI架构不仅要回答“准不准”的问题，还要回答“遇到变化能否跟上”的问题。

VisionHOPE已经在通用任务上展示了新的技术探索。对明略科技而言这像一个新的起点：让模型的底层创新最终经得起真实任务的检验，也让新一代AI从“识别世界”走向“理解变化、适应现场”。

关于明略科技｜

明略科技（2718.HK），成立于2006年，是中国领先的具备自研模型能力的Agentic Service企业。2025年作为"全球Agentic AI第一股"成功登陆港交所。该公司曾两度荣获吴文俊人工智能科学技术奖，并多次入选Gartner、IDC相关报告，拥有2400余项技术专利及500余项软件著作权。近年来，明略科技的多个AI模型在全球权威榜单上取得了领先成绩。依托20年的技术积累，明略科技已服务135家财富世界500强企业、约2100家品牌客户及超24万家企业用户，业务覆盖零售、消费品、汽车、3C等多个行业。