太平洋科技要聞

全球首個全模態(tài)理解開源端模型：長語音自動總結(jié)，圖文音啥都會！300%推理速度領(lǐng)先，來自無問芯穹

量子位整合編輯：太平洋科技發(fā)布于：2024-12-19 16:21

全球首個端側(cè)全模態(tài)理解開源模型來了！

在菜單里幫忙選奶茶，不在話下：

還能幫忙輕松提煉長語音，再也不用對著一串幾十秒語音頭皮發(fā)麻（doge）。

就在剛剛，無問芯穹宣布開源目前世界上首個端側(cè)全模態(tài)理解的開源模型Megrez-3B-Omni，不僅體積輕巧，速度飛快，更是一個多才多藝的全能選手，能夠輕松處理圖片、音頻、文本三種模態(tài)數(shù)據(jù)。

在眾多測評基準(zhǔn)中，Megrez-3B-Omni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。作為一個3B模型，綜合性能表現(xiàn)甚至能超過34B模型。

具體來說，Megrez-3B-Omni采用了專為手機(jī)、平板等端側(cè)設(shè)備量身定制的30億參數(shù)黃金尺寸，主干網(wǎng)絡(luò)參數(shù)規(guī)模更是僅有2.3B，精度超越了上一代14B模型，最大推理速度更是比同精度模型快達(dá)300%。

一起來看更多技術(shù)細(xì)節(jié)~

圖像理解

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，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)確洞察和分析任意比例尺寸圖像中的場景內(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。

不僅能理解手機(jī)屏幕上的信息，給定條件輔助商品挑選。

讀取手寫字體，一樣輕松搞定：

文本理解

在文本理解方面，作為全模態(tài)理解模型，Megrez-3B-Omni在沒有犧牲模型的文本處理能力的前提下，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，在文本理解方面確立了全球領(lǐng)先地位。同時，以更少的資源消耗，實現(xiàn)了更高的性能輸出，為端側(cè)設(shè)備的智能化提供了進(jìn)一步突破精度與速度邊界的全新可能。

de個Bug，成功：

緊急處理備忘錄中的資料，也沒問題：

音頻理解

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。

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，實現(xiàn)多輪對話中語音與文本輸入的自由切換，讓用戶可以通過更少動作與模型展開更直觀、自然的交互。

遇到客戶的超長語音連擊也不怕了：

支持語音問圖，還能聽口令寫小作文：

推理效率高，應(yīng)用場景靈活

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)LLM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%。

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搜索，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獨立解決問題，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(jī)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，這些能力已集成于Megrez-3B-Instruct 模型中，用戶可以通過System Prompt 自由切換，同時享受到高精度模型推理能力與智能WebSearch 調(diào)用收益。

One More Thing

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，正是模型輕量化、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。目前，無問芯穹就該一體化方案已與多家知名智能設(shè)備和終端芯片廠商展開合作。

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。

對那些久困于功耗、速度、續(xù)航以及智能效果的端側(cè)設(shè)備來說，這意味著，效果更佳的智能升級成為可能。

Github： https://github.com/infinigence/Infini-Megrez
HuggingFace：https://huggingface.co/Infinigence/Megrez-3B-Omni
登錄Infini-AI異構(gòu)云體驗純語言版本Megrez-3B-Instruct：https://cloud.infini-ai.com/genstudio/model/mo-c73owqiotql7lozr

本文來源：量子位

全模態(tài)理解開源端模型長語音自動總結(jié) 圖文音

量子位

原創(chuàng)欄目