Xuanwu：一般的な汎用マルチモーダルモデルを、コンテンツ・エコシステム向けの産業グレード基盤モデルへ進化させる

要旨: 近年、マルチモーダル大規模モデルは一般的なベンチマークにおいて継続的に性能向上を遂げています。しかし、現実世界のコンテンツモデレーションや敵対的な設定では、主流モデルは、細かな視覚認識の能力が限られていることと、長い尾（ロングテール）のノイズを十分にモデル化できていないことが原因で、一般化性能の低下や壊滅的忘却に悩まされています。本論文では、Xuanwu VL-2B を事例として、一般的なマルチモーダルモデルをコンテンツ・エコシステム向けの産業グレードの基盤モデルへ発展させる方法を提示します。モデルは、コンパクトな InternViT-300M + MLP + Qwen3 1.7B のアーキテクチャを採用し、約2Bパラメータの予算の範囲内で、細かな視覚認識と言語セマンティックの整合性、ならびにデプロイコストのバランスを取っています。ビジネスに特化した学習と、一般能力の保持との両立のために、データ反復とキュレーション（精選）のメカニズムを開発し、段階的な3段階のパイプライン（事前学習、中間学習、事後学習）を通じてモデルを訓練しました。アブレーション研究およびオフラインのビジネス評価の結果、Xuanwu VL-2B は 7 つの OpenCompass マルチモーダル指標において平均スコア 67.90（InternVL 3.5 2B は 64.27）を達成し、7 つの独立したビジネス・モデレーションタスクにおける平均リコールは 94.38% であり、さらに敵対的 OCR が難しいシナリオにおける、ポリシー違反テキストでの重み付き総合リコールは 82.82% を示し、Gemini-2.5-Pro（76.72%）を上回りました。これらの結果は、限られたパラメータ予算のもとで、Xuanwu VL-2B がビジネス整合性、視覚認識、一般能力の保持、ならびにデプロイコストの間で実用的なバランスを達成できることを示しています。