项目简介

Megrez-3B-Omni是由无问芯穹（Infinigence AI）研发的端侧全模态理解模型，基于无问大语言模型Megrez-3B-Instruct扩展，同时具备图片、文本、音频三种模态数据的理解分析能力，在三个方面均取得最优精度

• 在图像理解方面，基于SigLip-400M构建图像Token，在OpenCompass榜单上（综合8个主流多模态评测基准）平均得分66.2，超越LLaVA-NeXT-Yi-34B等更大参数规模的模型。Megrez-3B-Omni也是在MME、MMMU、OCRBench等测试集上目前精度最高的图像理解模型之一，在场景理解、OCR等方面具有良好表现。

• 在语言理解方面，Megrez-3B-Omni并未牺牲模型的文本处理能力，综合能力较单模态版本（Megrez-3B-Instruct）精度变化小于2%，保持在C-EVAL、MMLU (Pro）、AlignBench等多个测试集上的最优精度优势，依然取得超越上一代14B模型的能力表现

• 在语音理解方面，采用Qwen2-Audio/whisper-large-v3的Encoder作为语音输入，支持中英文语音输入及多轮对话，支持对输入图片的语音提问，根据语音指令直接响应文本，在多项基准任务上取得了领先的结果

评测结果

图片理解能力

• 上图为Megrez-3B-Omni与其他开源模型在图片理解各任务的能力比较；

• 下图为Megrez-3B-Omni在opencompass测试集上表现，参考 InternVL 2.5 Blog Post

更多指标数据请见 🤗 Megrez-3B-Omni

速度

实验设置：

• 测试环境：NVIDIA H100，vLLM下输入128个Text token和一张1480×720大小图片，输出128个token，num_seqs固定为8

• Qwen2-VL-2B虽然其具备更小尺寸的基座模型，但编码上述大小图片后的image_token相较Megrez-3B-Omni多很多，导致此实验下的decode速度小于Megrez-3B-Omni

快速上手

本地部署

环境安装和vLLM推理代码等部署问题请参考 Infini-Megrez-Omni

如下是一个使用transformers进行推理的例子，通过在content字段中分别传入text、image和audio，可以图文/图音等多种模态和模型进行交互。

import torchfrom transformers import AutoModelForCausalLM
path = "{{PATH_TO_PRETRAINED_MODEL}}"  # Change this to the path of the model.
model = (    AutoModelForCausalLM.from_pretrained(        path,        trust_remote_code=True,        torch_dtype=torch.bfloat16,        attn_implementation="flash_attention_2",    )    .eval()    .cuda())
# Chat with text and imagemessages = [    {        "role": "user",        "content": {            "text": "Please describe the content of the image.",            "image": "./data/sample_image.jpg",        },    },]
# Chat with audio and imagemessages = [    {        "role": "user",        "content": {            "image": "./data/sample_image.jpg",            "audio": "./data/sample_audio.m4a",        },    },]
MAX_NEW_TOKENS = 100response = model.chat(    messages,    sampling=False,    max_new_tokens=MAX_NEW_TOKENS,    temperature=0,)print(response)

注意事项

1. 请将图片尽量在首轮输入以保证推理效果，语音和文本无此限制，可以自由切换

2. 语音识别（ASR）场景下，只需要将content[‘text’]修改为“将语音转化为文字。”

3. OCR场景下开启采样可能会引入语言模型幻觉导致的文字变化，可考虑关闭采样进行推理（sampling=False），但关闭采样可能引入模型复读

Megrez-3B

Megrez-3B-Instruct是由无问芯穹（Infinigence AI）完全自主训练的大语言模型。Megrez-3B旨在通过软硬协同理念，打造一款极速推理、小巧精悍、极易上手的端侧智能解决方案。Megrez-3B具有以下优点：

• 高精度：Megrez-3B虽然参数规模只有3B，但通过提升数据质量，成功弥合模型能力代差，将上一代14B模型的能力成功压缩进3B大小的模型，在主流榜单上取得了优秀的性能表现。

• 高速度：模型小≠速度快。Megrez-3B通过软硬协同优化，确保了各结构参数与主流硬件高度适配，推理速度领先同精度模型最大300%。

• 简单易用：模型设计之初我们进行了激烈的讨论：应该在结构设计上留出更多软硬协同的空间（如ReLU、稀疏化、更精简的结构等），还是使用经典结构便于开发者直接用起来？我们选择了后者，即采用最原始的LLaMA结构，开发者无需任何修改便可将模型部署于各种平台，最小化二次开发复杂度。

• 丰富应用：我们提供了完整的WebSearch方案。我们对模型进行了针对性训练，使模型可以自动决策搜索调用时机，在搜索和对话中自动切换，并提供更好的总结效果。我们提供了完整的部署工程代码 github，用户可以基于该功能构建属于自己的Kimi或Perplexity，克服小模型常见的幻觉问题和知识储备不足的局限。

速度精度模型大小散点图如下，位置越靠近右上表明模型越好越快。更多指标数据请见 🤗 Megrez-3B-Instruct

具体模型能力结果和部署代码参考 Infini-Megrez

WebSearch

我们模型进行了针对性训练，并提供了完整的工程部署方案。InfiniWebSearch 具有以下优势：

1. 自动决定调用时机：自动决策搜索调用时机，在搜索和对话中自动切换，避免一直调用或一直不调用

2. 上下文理解：根据多轮对话生成合理的搜索query或处理搜索结果，更好的理解用户意图

3. 带参考信息的结构化输出：每个结论注明出处，便于查验

4. 一个模型两种用法：通过sys prompt区分WebSearch功能开启与否，兼顾LLM的高精度与WebSearch的用户体验，两种能力不乱窜

我们对模型进行了针对性训练，使模型可以自动决策搜索调用时机，在搜索和对话中自动切换，并提供更好的总结效果。我们提供了完整的部署工程代码 ，用户可以基于该功能构建属于自己的Kimi或Perplexity，克服小模型常见的幻觉问题和知识储备不足的局限。

开源协议及使用声明

• 协议：本仓库中代码依照 Apache-2.0 协议开源。

• 幻觉：大模型天然存在幻觉问题，用户使用过程中请勿完全相信模型生成的内容。

• 价值观及安全性：本模型已尽全力确保训练过程中使用的数据的合规性，但由于数据的大体量及复杂性，仍有可能存在一些无法预见的问题。如果出现使用本开源模型而导致的任何问题，包括但不限于数据安全问题、公共舆论风险，或模型被误导、滥用、传播或不当利用所带来的任何风险和问题，我们将不承担任何责任。

扫码加入技术交流群，备注「开发语言-城市-昵称」

（文：GitHubStore）