打破欧美垄断！中国OPPO新AI模型，30项测试碾压国外同级别产品

文 | 锐观经纬

编辑 | 锐观经纬

你有没有发现，最近聊起 AI 大模型，身边人提的不是国外的某款产品，就是云端那些需要高配置才能跑起来的模型？

想在手机上用个顺手的多模态AI，要么反应慢半拍，要么功能缺斤少两，好像端侧 AI 这块一直被欧美企业攥着主动权。

但现在不一样了，OPPO刚推出的AndesVL端侧多模态大模型，直接在30多项测试里把国外同级别产品甩在身后，还打破了欧美在这一领域的垄断。

这到底是款什么样的模型？能让国产 AI 在端侧领域挺直腰杆？

其实早几年，多模态大模型在云端应用里已经挺成功了，像国外那些知名模型，在图像识别、语言理解上都有不错的表现。

可一到手机这种终端设备上，问题就全暴露出来：要么性能跟不上，处理个复杂点的图文任务就卡顿，要么隐私保护不到位，数据得传到云端才能处理。

再不然就是适配性差，换个手机型号就没法正常用，这些问题让下一代AI手机迟迟没法真正走进日常生活。

不少国内企业都想突破这个困境，但欧美企业在技术积累和生态建设上早有布局，想分一杯羹并不容易。

OPPO在这时候站了出来，光是组建AI中心大模型算法团队就投入了不少人力物力，还联合联发科这样的硬件厂商一起攻关，就是想做出一款真正适合端侧的多模态大模型。

他们很清楚，端侧 AI 不能只盯着 “大”，更要兼顾 “快” 和 “稳”，手机用户要的是打开就能用，处理任务不等待，还不能占用太多内存和电量。

所以AndesVL从一开始就没走 “堆参数” 的老路，而是在架构设计上花了大心思，这款模型最让人眼前一亮的，就是它把通用能力和端侧专项优势捏得特别好。

你可能不知道，很多国外同级别模型要么只擅长单一模态，要么把精力全放在通用能力上，到了手机端就 “水土不服”。

但AndesVL不一样，它既有SOTA水平的通用多模态理解推理能力，像数学推理、OCR识别、图文理解这些硬指标，在30多个公开评测集上都拿了第一，跟同参数规模的开源模型比起来综合表现更是领先。

又针对手机端做了专项优化，尤其是多语言和 GUI 理解这两块，直接达到了同级别模型的顶尖水平。

比如你用手机刷外语新闻，它能精准识别不同语种的图文内容；就算是手机里复杂的 APP 界面，它也能快速读懂各个控件的功能，这对经常用手机处理多语言任务、依赖 APP 操作的用户来说，简直是刚需。

而且 AndesVL 特别懂手机用户的 “痛点”，推出了 0.6B、1B、2B、4B 四个不同尺寸的模型套件，还分了 Instruct 版和 Thinking 版。

要是你用的是老款手机，内存和算力有限，选 0.6B 的版本也能流畅运行基础的图文理解、简单问答任务。

要是你用的是最新款旗舰机，想体验复杂的数学推理、多图分析，4B 的 Thinking 版就能满足需求。

这种 “按需选择” 的设计，比国外很多 “一刀切” 的模型贴心多了，国外有些模型要么只有单一尺寸，老手机跑不动；要么功能太复杂，旗舰机用着也费劲，根本没考虑到不同用户的设备差异。

在技术细节上，AndesVL的用心更是藏不住，视觉编码器选了 AimV2-300M（1-4B 版本）和 SigLIP-2-base（0.6B 版本）。

这两种编码器比国外常用的 Qwen2VL-ViT 尺寸更小、功耗更低，却能保证处理图像的精度。

尤其是加入了二维旋转位置嵌入和 Native Resolution ViT 策略后，不管是高清大图还是低分辨率小图，不管图像是什么宽高比，它都能高效处理，不会像有些国外模型那样，遇到非标准尺寸的图像就识别出错。

大语言模型部分用了成熟的 Qwen3 系列，还支持两种模式切换，处理日常指令用 Instruct 版够快，应对复杂推理用 Thinking 版够准，这种灵活性在端侧模型里可不多见。

训练过程中，OPPO 团队也没走捷径，预训练分了三步：先做视觉 - 语言对齐，用低分辨率数据打基础，再用高分辨率数据微调，充分发挥位置嵌入的优势。

接着做视觉 - 语言联合预训练，把 LLM 的上下文窗口从 2048 扩展到 8192，还特意混入纯文本数据保留模型的文本处理能力。

最后做多任务预训练，把 ViT 的图像块输入长度增加到 16384，LLM 序列长度扩展到 32768，重点提升高分辨率数据处理和复杂任务推理能力。

后训练阶段又用了监督微调、混合偏好优化（MPO）和 GRPO 训练，尤其是 MPO，解决了多模态推理偏好数据集少、无法评估单个回答质量的问题，GRPO 还通过数据蒸馏和课程学习，让小模型也能拥有出色的推理能力。

这种层层递进、针对性优化的训练方案，比国外有些模型 “一锅烩” 的训练方式效果好太多，也难怪 AndesVL 在数学推理、多图理解这些难点任务上能碾压同级别国外产品。

最关键的是，OPPO 还解决了端侧部署的 “老大难” 问题。

以前很多模型在实验室里表现再好，一到手机上就 “掉链子”，要么内存占用太高，要么推理速度太慢。

AndesVL 通过稀疏化技术把模型权重稀疏度提升到 75% 以上，平均每参数比特数（BPW）降到 1.8bit 以下，再结合联发科天玑 9500 芯片的硬件压缩技术，内存占用直接降低 30.9%，推理速度提升 45%。

量化感知训练也做得很到位，基模型支持权重和激活的细粒度混合精度配置，还建立了静态 QAT 训练到端侧 PTQ 结果的无缝映射，不会像国外有些模型那样，一量化就精度暴跌。

针对场景迭代的问题，OPPO还联合联发科搞了QALFT框架，让场景LoRA 能独立更新，不用每次都重新量化基模型，大大提升了部署效率。

还有编码压缩和解码加速的优化，也特别实用。

针对长文本输入时 KV 缓存内存暴涨的问题，OPPO 研发的 OKV 方案只保留 25% 缓存，效果就媲美全量缓存，还支持 128K 的上下文长度，你用手机写长文档、做通话摘要时，再也不用担心模型 “记不住” 内容。

解码加速用了改进后的 EAGLE-2 和 HASS 算法，峰值解码加速比达到 6.7 倍，不管是生成图文摘要还是复杂回答，都能秒级响应，比国外很多端侧模型的响应速度快了不止一倍。

实际测试结果更是实打实的亮眼。在学术基准测试里，AndesVL-4B-Thinking 模型拿了 70.9 分，比第二名 InternVL3.5-4B 高出 3.2 分，6 大垂直领域全是第一；2B、1B、0.6B 模型在各自规模里也都是顶尖水平，尤其是 0.6B 模型，跟国外有些 1B 规模的模型比起来也不落下风。

数学推理方面，4B-Thinking 模型综合得分 58.3，在 MathVista、MathVerse 等基准测试里优势明显。

视觉文本理解上，4B-Thinking 在 ChartQA 拿了 90.4 分，比国外最佳模型高 4.4 分；多语言、GUI 理解、幻觉抑制这些能力，也都比同级别国外产品强不少。

端侧测试里，量化后的模型精度损失特别小，OKV 方案在 25% 压缩率下能媲美全量缓存，投机解码加速比更是达到 6.7 倍，这些数据都证明 AndesVL 不是实验室里的 “花架子”，而是真正能在手机上好用、实用的模型。

现在 AndesVL 已经全面开源了，这意味着国内其他企业不用再依赖国外的模型技术，能基于它快速开发端侧 AI 应用，整个行业的技术进步速度都会加快。

以后我们用手机，可能会遇到更智能的拍照助手，能实时识别场景、优化构图，还能生成多语言图文说明。

更贴心的语音助手能精准理解不同语种的指令，还能读懂 APP 界面帮你完成操作，甚至更高效的办公工具能在手机上快速处理多语言文档、分析复杂图表。

OPPO 还计划在视觉编码器、后训练方案、知识蒸馏这些方面继续深耕，未来可能还会推出融合文本、视觉、语音的三模态模型，到时候端侧 AI 的体验还会再上一个台阶。

以前提起端侧多模态大模型，大家首先想到的都是欧美产品，觉得国产模型很难追上，但 OPPO AndesVL 的出现，不仅打破了这种偏见，还在 30 多项测试里证明了国产模型的实力。

它让我们看到，中国企业在 AI 领域不是只能 “跟跑”，还能 “领跑”；普通用户也不用再等国外模型适配中国市场，在家门口就能用到性能顶尖、体验贴心的端侧 AI。

这可能只是国产 AI 突破的一个开始，接下来说不定还会有更多惊喜，你是不是也期待用它来解锁手机的新功能呢？