近年来，视觉语言模型（VLMs）在准确性方面取得了显著进展。然而，其效率问题却未得到足够重视。本文提出了NVILA，一个旨在同时优化效率与准确性的开源视觉语言模型系列。基于VILA架构，我们首先提升模型的空间与时间分辨率，随后对视觉token进行压缩，采用“先扩展、后压缩”的策略，使NVILA能够高效处理高分辨率图像与长视频。此外，我们对NVILA在整个生命周期中的效率进行了系统性优化，涵盖训练、微调到部署的各个环节。在多种图像与视频基准测试中，NVILA的性能达到或超越了众多主流开源及专有视觉语言模型。与此同时，NVILA将训练成本降低4.5倍，微调阶段的内存使用减少3.4倍，预填充延迟降低1.6至2.2倍，解码延迟降低1.2至2.8倍。我们即将开源代码与模型，以促进研究的可复现性。