네이티브 비전-언어 모델(VLM)은 모듈형 VLM에 대한 대안으로 부상하고 있으며, 모델 아키텍처와 훈련 패러다임이 발전하고 있습니다. 본 논문에서는 네이티브 VLM의 근본적인 제약 사항과 연구 접근성 개선 방안을 제시하고, 이를 해결하기 위한 원칙을 설명합니다. 구체적으로, 네이티브 VLM은 픽셀과 단어 표현을 효과적으로 정렬하고, 비전 및 언어 모듈의 강점을 통합하며, 통합된 비전-언어 인코딩, 정렬 및 추론을 지원하는 다양한 교차 모달 속성을 내재해야 합니다. 본 논문에서는 이러한 원칙을 바탕으로, 현실 세계 시나리오에서 최상위 모듈형 모델에 필적하는 새로운 네이티브 VLM 제품군인 NEO를 제안합니다. NEO는 3억 9천만 개의 이미지-텍스트 예시만으로 시각적 인식을 처음부터 효율적으로 개발하며, 정교한 기본 요소로 제작된 조밀하고 단일한 모델 내에서 비전-언어 충돌을 완화합니다.