核心发布:2026年11月16日,斗球正式发布新一代全模态大模型“斗球X1”,支持文本、图像、音频与视频原生理解,最高256K上下文窗口,单次可解析最长30分钟音视频,亮点是用一套统一架构完成多模态理解与生成。
基础能力升级:斗球披露,新版本在中文多模态问答、长视频事件定位和跨模态检索三项基础能力上较上一代分别提升约18%、23%和15%;在MMMU-Pro、Video-MME等公开评测中进入第一梯队,与GPT、Gemini等通用模型相比,斗球在中文语境和长视频细粒度定位上更稳定。官方强调,上述数据来自统一测试集与相同输入条件,具体成绩以斗球开放平台技术报告为准。
场景解释:斗球团队将“看懂比赛、理解动作、定位关键回合”作为多模态能力的典型场景,强调模型需要同时处理画面、解说音频与文字战术信息。

围绕斗球相关场景,新版本可对连续视频流做事件切分与语义检索,例如从一段长视频中定位“关键得分回合”并生成文字摘要,体现原生全模态在复杂时序理解上的价值。
管理层声音:斗球创始人兼CTO表示:“我们不把多模态当成几个模型的拼接,而是让斗球从训练第一天就学习文本、图像、音频和视频之间的共同表征;只有统一架构,才能把长上下文和跨模态推理做成可持续的产品能力。”
技术路线:斗球采用“原生全模态+统一架构”路线:同一组Transformer参数处理不同模态token,通过统一tokenizer与模态适配器把图像、音频、视频映射到共享语义空间;训练目标不是后期对齐,而是在预训练阶段同时优化跨模态预测、时序定位和指令跟随。通俗地说,斗球希望用一套“语言”理解多种信息,而不是为每种模态单独维护一套模型。
架构细节:斗球底层采用稀疏专家(MoE)框架,总参数为千亿级,推理时按任务动态激活部分专家以控制成本;训练方法包括分阶段课程学习、多模态对齐、长上下文扩展以及基于人类反馈的强化学习。斗球自研训练框架支持万卡级集群并行,并通过专家负载均衡和混合精度训练提升稳定性。
应用入口:目前斗球App已上线iOS与Android版本,用户可在斗球App内体验多模态问答、视频摘要与文档解析;开发者可通过斗球开放平台申请API,接入文本生成、视觉理解、音视频事件定位等能力,企业客户还可申请私有化部署方案。
评测与背书:在近期公开的多模态评测与行业报告中,斗球进入中文多模态模型第一梯队,并被多家第三方评测机构列为长视频理解推荐选项;斗球表示后续将持续公开技术报告与评测细节,接受开发者和行业客户验证。
责任编辑:安保和