打破多模态视觉+语言拼接套路！ 腾讯开源Penguin-VL，直接用纯文本LLM训视觉编码器。 这项研究跳出了先有传统视觉 backbone，再接语言模型的常规路径，直接从text-only LLM初始化vision encoder。 并在2B/8B紧凑参数规模下的文档理解、长视频时序定位等复杂任务中表现出 ...