Xuanwu VL-2B: Das multimodale Modell, das Content-Ökosystem revolutioniert

Die neueste Veröffentlichung auf arXiv (2603.29211v1) präsentiert Xuanwu VL-2B, ein multimodales Large‑Model, das speziell dafür entwickelt wurde, als industrielle Basis für Content‑Ökosysteme zu dienen. Durch die Kombination von Bild‑ und Textverarbeitung bietet es eine robuste Lösung für die Herausforderungen moderner Content‑Moderation.

Xuanwu VL-2B nutzt die kompakte InternViT‑300M‑Architektur, ergänzt durch ein MLP‑Modul und Qwen3 1.7B, um innerhalb eines ca. 2‑Billionen‑Parameter‑Budgets eine ausgewogene Balance zwischen feinkörniger visueller Wahrnehmung, sprachsemantischer Ausrichtung und Deployment‑Kosten zu erreichen. Diese Kombination ermöglicht eine präzise Analyse von Bild‑ und Textinhalten ohne übermäßige Rechenressourcen.

Das Modell wurde über einen dreistufigen, progressiven Trainingsprozess hinweg entwickelt: zunächst ein Pre‑Training, gefolgt von Mid‑Training und schließlich Post‑Training. Ein iteratives Daten‑Curation‑System sorgt dafür, dass die Trainingsdaten sowohl die Geschäftsanforderungen erfüllen als auch die generellen Fähigkeiten des Modells erhalten bleiben.

Evaluierungen zeigen beeindruckende Ergebnisse: Xuanwu VL-2B erzielt einen durchschnittlichen Score von 67,90 über sieben OpenCompass‑Multimodal‑Metriken, im Vergleich zu 64,27 bei InternVL 3.5 2B. In sieben unabhängigen Moderationsaufgaben erreicht das Modell eine durchschnittliche Rückrufrate von 94,38 % und eine gewichtete Gesamt‑Rückrufrate von 82,82 % bei policy‑verletzendem Text in anspruchsvollen adversarialen OCR‑Szenarien – deutlich besser als Gemini‑2.5‑Pro (76,72 %).

Unter dem strengen Parameter‑Limit demonstriert Xuanwu VL-2B, wie ein multimodales Modell erfolgreich die Anforderungen von Geschäfts‑Alignment, visueller Präzision und allgemeiner Leistungsfähigkeit vereint. Es setzt damit neue Maßstäbe für die praktische Anwendung in Content‑Ökosystemen.