大模型從最初的“不計成本”探索，到如今的“可持續”商業化落地，經歷了從技術突破到工程優化，再到產業融合的深度演進。在這一過程中，虹軟始終走在創新前沿，依托深厚的視覺AI技術積累，以ArcMuse計算技術引擎為核心，不斷推動視覺大模型的技術進步與行業落地，加速AI在各領域的深度應用。

自2023年推出以來，ArcMuse計算技術引擎憑借持續的 算法創新與工程優化 ，構建起多層次架構、跨模型協同優化、高效能計算引擎等核心能力，不斷突破通用大模型在計算成本、適配效率、推理速度等方面的局限。如今，經過對算法、數據、工程及大模型生態的全面優化，ArcMuse迎來了全新升級 —— ArcMuse 2025 V1.1版本。新一代ArcMuse在生成質量、計算效率、端側適配性等方面取得了顯著突破 ， 進一步 增強了視覺大模型的泛化能力與實用性 。其先進的視覺AI能力全面支持智能手機、智能汽車、AI眼鏡、機器人、服裝智造以及智能商拍的創新發展。

ArcMuse 2025 總體架構與核心愿景：視覺AI核心基座引擎，不止大模型

ArcMuse是一個 兼顧效果和性能的緊湊AI綜合體 ，它以大底模和強化的垂直大模型為基礎，用以生成遠觀悅目的基礎效果，并利用一系列復雜或簡單細分小模型、淺層模型、用于約束的CV&CG引擎包對基礎效果進行控制，以達到近看自然、結構信息正確、細節豐富合理的最終圖像和視頻效果。

ArcMuse 2025核心思想與架構：

ArcMuse是一套深度耦合底模、細分大模型、控制淺層復雜模型和視覺庫、約束細節的淺層小模型和視覺庫，數據預處理引擎包、CV&CG處理引擎包、定制化文本生成模型的緊湊穩定AI平臺庫。

CPG(Control Packages) : 利用五大類小模型和引擎包對期望的結果進行約束與控制。

人 物： 手、臉、腳、四肢、體

深度: 各類攝像頭、模組、模式的輸入，都能得到高質量的深度

分割： 基于對象、區域、語義等

分類： 景、物、影調、情感等

邊緣： 強、弱、結構、遮擋、懸空等

KDE(Keep Details Engines) ：利用一些淺層模型保留弱紋理和細節，利用光照模型分析、去除、重光照處理和維持影調(Shading)。

高效計算優化： 采用FP8混合精度計算，對核心計算復雜度高的OPs進行匯編級優化。

訓練和推理時的減冗余并行處理引擎包 ：這點得益于公司定位實際應用落地有回報的降本壓力，進而研發出高效的基礎引擎和策略。

平臺無關化的各種處理 ：依托虹軟 20 余年的視覺AI技術積累，使 ArcMuse 具備跨平臺適配能力，可靈活部署于云端、高性能計算平臺、移動端及嵌入式設備。

從實用落地的角度來看，真正可行的 AI 大模型方案必須實現 多層次協同與功能模塊互補 ，降低計算成本，以推動大模型應用平權化，使其更廣泛地賦能終端設備與各行業。ArcMuse 2025 正是基于這一理念讓視覺 AI 在真實應用場景中 實現性能、效果與成本的三重突破 。

從 DeepSeek 到 ArcMuse 2025：構建大模型新范式

AI 計算的高效降本是大模型商業可行化落地的關鍵，其核心在于 降低計算資源消耗 、 減少存儲需求與數據依賴 ，以更低的成本提供可接受甚至卓越的AI性能，使先進AI技術(包括大模型)能夠更廣泛地惠及各行業與終端設備。要實現這一目標，僅依賴單一大模型或傳統Transformer架構的頂級云計算平臺遠遠不夠，而必須借助 多AI范式的深度耦合 ，并具備 動態多層次的自適應能力的AI計算架構 ，以應對不同計算環境的需求。

在這點上， DeepSeek 在文本和規則性較強的AI任務(如數學、代碼等) 上的策略，提供了一個典型的成功案例。其通過 DS-MOE(動態路由稀疏專家網絡)、MLA(KV矩陣緩存壓縮)、MTP(多Token預測)、FP8(混合精度量化訓練)、GRPO (強化學習采用群組相對策略優化)、DualPipe(調度算法) 等優化策略，極大提升了大模型的計算效率，并降低了硬件成本，為大模型高效降本提供了新的思路。然而，DeepSeek 在推理計算與存儲占用上仍然存在一定的優化空間，特別是對于圖像、視頻等視覺任務而言，如何借鑒這些優化思想，并結合視覺AI的獨特需求，是一個關鍵課題。

在這一背景下， 虹軟對 DeepSeek 的優化策略進行了深入分析 ，并結合自身在視覺 AI領域的多年研發經驗，取長補短、深度融合，同時針對視覺 AI 的特性進行了 定制化優化 。實踐證明，這一耦合總體上帶來了 顯著的增益 ，不僅全面提升了ArcMuse的性能，尤其在 多模態數據理解、圖像與視頻推理增強方面效果突出 ;同時， 計算成本大幅降低 ，例如，在提示詞工程推理方面， 顯卡租賃成本減少了一半以上 ，使大模型的 AI計算更高效且可控 。

為直觀展現 ArcMuse 2025 在視覺生成、影像修復及視頻生成方面的能力，我們以非剛體拓撲難以保持的柔性衣物為背景，呈現其在復雜視覺任務中的卓越表現。

生成圖像示例1：

弱紋理、細節提升

生成圖像示例2：

細節、影調的提升

困難場景(Hard Case)示例:半透物(薄紗)、柔性物(裙裝)、復雜版型(塞腰、束腕)、弱紋理細節(紋理花紋、花邊領、暗條紋)

生成圖像示例4 :

AI模特圖大角度、模特表現力更新

生成圖像示例5 :

AI生成圖的光影效果、模特表現力更新

生成視頻示例6:

AI模特復雜動作的穩定性、表現力更新

生成圖像示例7：半透裝、碎花裙

生成視頻示例8：

讓示例7生成圖像再動起來

ArcMuse 2025 為垂直行業提供定制化解決方案

ArcMuse 2025 的架構是一種系統性優化方案，通過整合多個 AI 引擎，實現高效協同，即使在有限資源下仍能發揮最大效能，并為各類垂直行業提供定制化解決方案。這一架構理念使 ArcMuse 成為 虹軟視覺 AI 賦能引擎 ，可廣泛應用于移動智能終端 AI 影像處理、智能汽車、AI 眼鏡、XR 3D 空間計算頭顯、服裝智造和智能商拍以及智能機器人等垂直場景，推動行業創新升級。

在AI影像處理方面，ArcMuse 2025對AI影像模型進行了優化，特別是在圖像增強與影像細節恢復過程中，顯著減少了生成不真實效果的風險。升級后的模型在處理復雜紋理和高對比度場景時，展現出較為穩定的增強效果，降低了圖像生成中的不確定性。另外，在語義分割與識別方面，ArcMuse 2025進一步增強了ArcMuse 2024對圖像內容的理解精度，尤其是在文字紋理處理上，表現出比以往更強的模型細節還原能力。

在智能汽車方向，ArcMuse 2025的推理能力和場景理解能力得到提升，尤其在低能見度和復雜路況環境下，其優化后的推理方法能夠結合不同的駕駛環境進行分析，為駕駛員提供更為合理的安全輔助建議。例如，在大霧天氣和濕滑路況下，系統能夠根據前方車輛的燈光信號、車速以及路面狀態，提出合理的駕駛策略與建議，減少潛在的駕駛或行車風險。

在 AI 眼鏡與 XR 3D 空間計算頭顯方向，ArcMuse 2025明顯提升了對復雜環境下物體識別的精度，尤其是在圖像語義分割和物體關系的理解上。在應用中，ArcMuse 2025能夠更加精確地區分復雜環境中的物體和背景，減少誤識別的情況。例如，在對圖像中的窗戶與畫作進行區分時，ArcMuse 2025 通過優化圖像分析流程，有效避免了誤識別，提高了識別的準確度。

在智能商拍方向，ArcMuse 2025利用內部新迭代的蒸餾框架優化了文本與圖像生成的控制精度，使得在提示詞響應的準確性和圖像生成的可靠性方面有更高的提升。升級后的ArcMuse有更強的文本與圖像的匹配能力，能夠更好地生成符合商業需求的圖像。

在智能機器人方向，ArcMuse 2025通過優化多模態數據處理、實時目標識別、復雜場景理解等可顯著提升機器人在動態環境中的適應性和自主性。同時，針對端側部署深度優化，可使其在有限算力下依然高效運行 AI 任務，助力其在工業自動化、智能服務、家庭陪護、教育娛樂等應用落地。

視覺大模型實用化：多AI協同，驅動創新落地

虹軟的視覺AI技術研發經歷了20多年的歷練，絕大多數技術都實現了產品化應用和實際落地，達到了100億級端側設備的實際應用。虹軟的AI研發經歷了從CV&CG到淺層學習，從端側深度學習到復雜模型，從底座模型強化到領域大模型;效果和性能、功耗3指標并舉的多階段扎實迭代向前演進。

在當下的AI技術快速發展浪潮中，大模型成為行業關注的焦點，近來DeepSeek又帶來一波強化劑。虹軟認為真正高效的智能計算體系不是單一的通識大模型，每個AI引擎有各自的效果和性能優缺點，須深度耦合、效果性能權衡，這樣才能幫助視覺大模型真正快速落地實用化。

另外，一個非常有意義的目標是：“大模型普及與可商業化”。其核心是算力要求要盡可能低，存儲資源要盡可能少，數據要求要盡可能少，成本盡可能省，但效果盡可能好。這樣的話，多AI范式的高度耦合，且是動態多層次的AI計算架構，才是邏輯合理的選擇，僅靠目前單一的視覺大模型還不夠、走不通，這就是ArcMuse的架構思路和定位。