OmniVision - 968M是由NexaAI研发的一款紧凑且高效的多模态模型，专为边缘设备设计，旨在解决传统模型在资源受限环境下的运行难题。该模型通过优化架构和训练方法，实现了在保证性能的前提下，降低计算成本和延迟。其技术原理包括基础语言模型Qwen 2.5 - 0.5b - instruct、视觉编码器Siglip - 400m和多层感知器（MLP）的协同工作，以及创新的投影设计，大幅减少了图像标记数量，提高了运行效率。训练流程采用多阶段策略，包括预训练、监督微调和直接偏好优化（DPO），显著提升了模型的准确性和可靠性。