本报告围绕 MOSS 多模态模型及其推理优化展开，系统介绍 OpenMOSS 团队在视觉、音频与语音生成三个方向上的最新进展。

报告首先回顾多模态大模型的发展背景与核心挑战，随后分别介绍 MOSS-VL、MOSS-Audio 和 MOSS-TTS 的模型架构、关键技术与能力表现，包括视频理解、通用音频理解、语音合成等内容。

在此基础上，报告进一步讨论多模态模型在实际部署中的推理效率问题，重点分析长视频、长音频和实时语音场景下的显存占用、首包延迟、流式输出和本地推理加速等优化方法。

通过模型设计与推理系统协同优化，MOSS 多模态系列模型将呈现迈向泛情境智能的技术路径，为多模态交互新范式的落地提供实践参考。