MouSi es un modelo de lenguaje visual multimodal diseñado para abordar los desafíos actuales de los grandes modelos de lenguaje visual (VLMs). Emplea una técnica de integración de expertos, combinando las capacidades de codificadores visuales individuales, incluyendo la correspondencia imagen-texto, OCR y segmentación de imágenes. El modelo incorpora una red de fusión para procesar uniformemente las salidas de los diferentes expertos visuales y para cerrar la brecha entre el codificador de imágenes y los LLMs preentrenados. Además, MouSi explora diferentes esquemas de codificación posicional para abordar eficazmente el desperdicio de codificación posicional y las limitaciones de longitud. Los resultados experimentales demuestran que los VLMs con múltiples expertos presentan un rendimiento superior al de los codificadores visuales aislados, y que este rendimiento mejora significativamente al integrar más expertos.