這可能是目前最強的開源全模態(tài)理解端模型了。今天，無問芯穹宣布正式開源全球首個端側(cè)全模態(tài)理解模型 Megrez-3B-Omni，同步開源的還有它的純語言版本模型 Megrez-3B-Instruct。Megrez-3B-Omni 是一個為端而生的全模態(tài)理解模型，同時具備圖片、音頻、文本三種模態(tài)數(shù)據(jù)的處理能力，并在三個模態(tài)的多種測評基準(zhǔn)中取得了最優(yōu)性能，還能支持多輪對話中的不同模態(tài)間切換。Megrez-3B-Omni 選擇了最適合手機、平板等端側(cè)設(shè)備的30 億參數(shù)黃金尺寸，結(jié)構(gòu)規(guī)整，推理速度最大領(lǐng)先同精度模型 300%。Github：https://github.com/infinigence/Infini-MegrezHuggingFace：https://huggingface.co/Infinigence/Megrez-3B-Omni全模態(tài)高性能：圖片、文本、音頻作者團(tuán)隊表示，Megrez-3B-Omni 沒有犧牲任何模態(tài)的精度，在圖片、文本、音頻三個模態(tài)中均取得了同尺寸下最優(yōu)性能。無論是和同樣三模態(tài)的 VITA ( based on Mixtral 8×7B) 、Baichuan-Omni-7B ，還是雙模態(tài)的 MiniCPM-V 2.6 ( based on Qwen2-7B)、Qwen2-VL-7B、Qwen2-Audio-7B，又或是單一模態(tài)的 Qwen、Baichuan 等模型相比，Megrez-3B-Omni 在主流基準(zhǔn)測試集上的表現(xiàn)都毫不遜色。圖片理解：3B 體量對標(biāo) 34B 模型表現(xiàn)在圖像理解方面，Megrez-3B-Omni 作為一個體積僅為 3B 的模型，其綜合性能表現(xiàn)可以全面超過 34B 的龐然大物，超越 LLaVA-NeXT-Yi-34B 等模型，是目前 OpenCompass、MME、MMMU、OCRBench 等多個主流測試集上精度最高的圖像理解模型之一。與此同時，Megrez-3B-Omni 在場景理解、OCR 等任務(wù)上也具有良好表現(xiàn)，能夠準(zhǔn)確洞察和分析圖像中的場景內(nèi)容，并高效地從中提取文本信息，且無論是模糊的印刷體還是復(fù)雜的手寫字，都能夠輕松識別。Megrez-3B-Omni 屏幕識別Megrez-3B-Omni 手寫體識別文本理解：超越上一代 14B 最佳模型在文本理解方面，作為全模態(tài)理解模型，Megrez-3B-Omni 沒有犧牲模型的文本處理能力，將上一代 14B 大模型的優(yōu)秀能力壓縮至 3B 規(guī)模，顯著降低了計算成本、提升了計算效率。在 C-EVAL、MMLU/MMLU Pro、AlignBench 等多個權(quán)威測試集上更是取得端上模型最優(yōu)精度，在文本理解方面取得全球領(lǐng)先地位。Megrez-3B-Omni 文本理解Megrez-3B-Omni 代碼理解音頻理解：輕松以音問圖、以音解文、以音聽音在語音理解方面，Megrez-3B-Omni 的效果比肩行業(yè)主流方案。Megrez-3B-Omni 不僅支持中文和英文的語音輸入，還能夠處理復(fù)雜的多輪對話場景，更能支持對輸入圖片或文字的語音提問，實現(xiàn)不同模態(tài)間的切換。用戶就任意模態(tài)內(nèi)容，發(fā)出語音指令，Megrez-3B-Omni 就能根據(jù)語音指令直接響應(yīng)文本，讓用戶可以通過更少動作與模型展開更直觀、自然的交互。Megrez-3B-Omni 語音理解Megrez-3B-Omni 多種模態(tài)切換令人驚嘆的推理效率模型的規(guī)模并不是決定其速度的唯一因素，因此模型小并不一定就意味著速度快。憑借對硬件特性的深入理解與利用，Megrez-3B-Omni 通過軟硬件協(xié)同優(yōu)化策略，確保了各參數(shù)與主流硬件高度適配，以實現(xiàn)硬件性能的利用最大化。與上一代及其他端側(cè)大語言模型相比，單模態(tài)版本的 Megrez-3B-Instruct 在推理速度上取得了顯著提升，最大推理速度可以領(lǐng)先同精度模型 300%。多場景靈活應(yīng)用Megrez-3B-Instruct 這次還特別提供了 WebSearch 功能，這一功能使得模型能夠智能地判斷何時需要調(diào)用外部工具進(jìn)行網(wǎng)頁搜索，輔助回答用戶的問題。用戶得以構(gòu)建屬于自己 AI 搜素，通過網(wǎng)絡(luò)獲取最新信息，克服小模型的幻覺問題和知識儲備不足的局限。有時，模型通過搜索網(wǎng)頁可以更全面地完成回答，而其他時候，模型自身已具備足夠的知識來解決問題，過多的搜索調(diào)用可能會降低推理速度和效果。Megrez-3B-Instruct 通過在搜索和對話之間智能切換，避免了過度依賴搜索或完全不調(diào)用搜索的問題。除了可以自動決策工具調(diào)用時機之外，Megrez-3B-Instruct 還具備上下文理解性能優(yōu)異、可提供帶參考信息的結(jié)構(gòu)化輸出等優(yōu)勢。目前，這些能力都已集成于 Megrez-3B-Instruct 模型中，用戶可以通過 System Prompt 切換，同時享受到高精度模型推理能力與智能 WebSearch 調(diào)用收益。端上智能需要一體化解決方案相較于云端大模型，端側(cè)模型需要在資源有限的設(shè)備上快速部署、高效運行，對降低模型計算和存儲需求提出更高要求。無問芯穹技術(shù)團(tuán)隊源起于清華大學(xué)電子工程系 NICS-EFC 實驗室，在模型壓縮、推理加速及硬件能耗優(yōu)化等領(lǐng)域擁有深入的學(xué)術(shù)研究和深厚的工程實踐經(jīng)驗，是模型輕量化、軟硬件協(xié)同優(yōu)化領(lǐng)域的頂尖團(tuán)隊。無問芯穹表示，Megrez-3B-Omni 是一個能力預(yù)覽，接下來還將持續(xù)迭代 Megrez 系列，提升自動化水平至“edge device use”效果，讓用戶只需要給出簡單的語音指令，就可完成端設(shè)備的設(shè)置或應(yīng)用操作，并將它作為“端模型 + 端軟件 + 端 IP”端上智能一體化解決方案的重要構(gòu)成推向市場。在這個方案中，除端側(cè)全模態(tài)理解模型外，還有端上推理軟件和 IP 設(shè)計方案，不僅支持 CPU、GPU 和 NPU 的同時推理，更能通過跨越軟硬件層次的系統(tǒng)優(yōu)化，額外帶來最高可達(dá) 70% 的性能提升，最大化端側(cè)硬件性能的利用。通過“端模型 + 端軟件 + 端 IP”一體化設(shè)計，無問芯穹將持續(xù)致力于為端側(cè)設(shè)備提供更完整、對硬件利用更高效的智能方案，促進(jìn)大模型在端側(cè)設(shè)備上實現(xiàn)更高推理速度與更低能耗，推動端側(cè)智能更快迎接 AGI 到來。