无问芯穹发布首个端侧全模态理解的开源模型Megrez-3B-Omni

根据媒体人“球圈赵探长”最新报道：“知情人透露，福建新签约小外援弗兰克-梅森三世已抵达香港。”在签下梅森之前，福建男篮还召回了老熟人约瑟夫杨，进一步提升球队的后场竞争力，另外，福建男篮还在寻找合适的....

12月16日，无问芯穹宣布正式开源其“端模型+端软件+端IP”端上智能一体化 方案中的小模型——全球首个端侧全模态理解开源模型Megrez-3B-Omni，并同步开源了纯语言版本模型Megrez-3B-Instruct。

据介绍，Megrez-3B-Omni是一个为端而生的全理解模型，选择了最适合手机、平板等设备的30亿参数黄金尺寸，结构规整，推理速度最大领先同精度模型300%。作为一个全模态模型，Megrez-3B-Omni同时具备图片、音频、文本三种模态数据的处理能力，并在三个模态的多种测评基准中取得了 性能。

据了解，Megrez-3B-Omni 拒绝牺牲任何模态的精度，在图片、文本、音频三个模态中均取得了同尺寸下 性能。无论是和同样三模态的VITA ( based on Mixtral 8×7B) 、Baichuan-Omni-7B ，还是双模态的MiniCPM-V 2.6 ( based on Qwen2-7B)、Qwen2-VL-7B、Qwen2-Audio-7B，又或是单一模态的Qwen、Baichuan 等模型相比，Megrez-3B-Omni 在主流基准 集上的表现都毫不逊色。

在图像理解方面，Megrez-3B-Omni 作为一个体积仅为3B的模型，其综合性能表现可以 超过34B的庞然大物，超越LLaVA-NeXT-Yi-34B 等模型，是目前OpenCom ss、MME、MMMU、OCRBench等多个主流 集上精度最高的图像理解模型之一。

与此同时，Megrez-3B-Omni 在场景理解、OCR 等任务上也具有良好表现，能够准确洞察和分析图像中的场景内容，并 地从中提取文本信息，且无论是模糊的印刷体还是复杂的手写字，都能够轻松识别。

在文本理解方面，作为全模态理解模型，Megrez-3B-Omni 没有牺牲模型的文本处理能力，将上一代14B大模型的优秀能力压缩至3B规模，显著降低了计算成本、提升了计算效率。在C-EVAL、M U/M U Pro、AlignBench等多个权威 集上更是取得端上模型 精度。

在语音理解方面，Megrez-3B-Omni 的效果比肩行业主流方案。Megrez-3B-Omni不仅支持中文和英文的语音输入，还能够处理复杂的多轮对话场景，更能支持对输入图片或文字的语音提问，实现不同模态间的自由切换。用户就任意模态内容，发出语音指令，Megrez-3B-Omni 就能根据语音指令直接响应文本，让用户可以通过更少动作与模型展开更直观、自然的交互。

据介绍，模型的规模并不是决定其速度的 因素，因此模型小并不一定就意味着速度快。凭借对硬件特性的深入理解与利用，Megrez-3B-Omni 通过软硬件协同优化策略，确保了各参数与主流硬件高度适配，以实现硬件性能的利用最大化。与上一代及其他端侧大语言模型相比，单模态版本的Megrez-3B-Instruct 在速度上取得了显著提升，最大推理速度可以领先同精度模型300%。

Megrez-3B-Instruct 这次还特别提供了WebSearch 功能，这一功能使得模型能够智能地判断何时需要调用外部工具进行网页搜索，辅助回答用户的问题。用户得以构建属于自己AI搜索，通过网络获取 信息，克服小模型的幻觉问题和知识储备不足的局限。

无问芯穹表示，Megrez-3B-Omni是一个能力预览，接下来还将持续迭代Megrez系列，提升自动化水平至“edge device use”效果，让用户只需要给出简单的语音指令，就可完成端设备的设置或应用操作，并将它作为“端模型+端软件+端IP”端上智能一体化 方案的重要构成推向市场。

在这个方案中，除端侧全模态理解模型外，还有端上推理软件和IP设计方案，不仅支持CPU、GPU和NPU 的同时推理，更能通过跨越软硬件层次的系统优化，额外带来最高可达70%的性能提升，最大化端侧硬件性能的利用。（易智）