前两天闲来没事逛 HuggingFace，意外发现腾讯研发团队放出了一个开源模型 VLR1-3B 的预览版（preview），还是多模态？
模型链接：
https://hf-mirror.com/TencentBAC/TBAC-VLR1-3B-preview
腾讯开源模型？这真是稀罕了。从模型介绍来看，对比现在动辄六七百的参数量的大模型来说，这是一个只有 3.78B 的“小”模型，使用了 GRPO 技术，增强了推理性能。介绍中声称达到了同级别模型中推理能力第一（SOTA）。
▲ MathVision 官方榜单
仔细看测试报告，都是数学相关的测试，到 MathVista [1] 和 MathVision [2] 这两个权威 AI 数学榜单的官网上查证，VLR1-3B 这“小”模型不仅都在榜，而且比很多商业闭源大模型（如 Gemini1.5 和 GPT-4V）表现都要强，甚至在 MathVista 的评测中击败了 GPT-4o！
这不正巧了吗？小编最近正愁帮邻居刚上初中的孩子批数学作业，被多项式计算和几何证明搞得焦头烂额的。
现在既有模型，又有示例代码，何不动手撸个自己的“AI 作业帮”，既可以帮我干活，又能够测试一下 VLR1-3B 的真实水平😜。
AI 作业助手
要说明的是，AI 作业助手，特别是数学作业助手，仅仅有答案还不够，更重要的是给出推导过程。这也是 VLR1-3B 让人眼前一亮的原因，就是它宣称的 推理能力。
下面来看一下搭载了 VLR1-3B 模型后，我这个丐版的“作业帮”真实的答题效果（latex 解析还在优化中，大家见谅哈😂）：
多项式计算
先从真题试卷中截取了两道基础计算题进行测试：
哪怕是拍照的试卷问题也可以准确的识别，计算过程也清晰，答案正确👌，通过。再试一道：
很好，应用了正确的公式👌，邻居家小孩似乎可以愉快的抄写作业了呢😝
坐标系理解
接下来要稍微上一点难度，看看 VLR1-3B 对平面直角坐标系的理解如何：
不错，一开始就理解了这一题的考点，并告知了题点，横纵坐标都为负的点，然后还分析了每个选项，给出正确答案。解释的有理有据👌。以后还会有家长给熊孩子讲题讲到心梗吗😉
函数计算
下面要进行的是函数计算，依然考验模型从图片中正确的读取函数公式，并依靠推理能力得出函数计算结果：
问题：f(4) 等于多少？
函数识别👌，计算过程👌，答案✅。
平面几何
接下来是重中之重的测试，平面几何。先来两道填空题：
问题：△ABC 的两内角平分线 OB、OC 相交于点 O，若 ∠A＝110°，则 ∠BOC＝（）
表现依然出色，不仅给出了详尽的推理过程，还给出了准确的答案 ✅
接下来再来一题：
问题：如图，在 △ABC 中，AB＝8，BC＝12，点 D、E 分别是边 AB、AC 的中点，点 F 是线段 DE 上的一点，连接 AF、BF，若 ∠AFB＝90°，则线段 EF 的长为（）
非常棒平面几何解题能力👌，在应用了正确的公式定理下，还会用“∵”，“∴”等专业的数学推理符号，给 VLR1-3B 点赞👍🏻。
平面几何是中学数学的重点，与填空和选择不同，模型有可能靠蒙答对题（人也会哈），这种证明类型的题目更考验模型的“真本事”，再来测试一道平面几何的证明题：
没问题，证明过程清晰，测试通过 ✅。
物理
既然 VLR1-3B 在数学方面表现的这么好，何不再挑战一下，做道物理题试试？
哦吼~，物理题也能答，还能解释对自己的选择。
从结果来看，在VLR1-3B的帮助下，我这个家庭丐版AI作业帮 💯大成功啊！在此诚挚的感谢我邻居，慷慨的赞助他家小孩的作业进行测试！
What’s more?
从之前的测试来看，VLR1-3B 有确实有着出众的数学能力，从图片的公式理解到答案的推理求解，甚至格式的输出都有着令人满意的效果。既然如此，当然就要“强模型所难”， 考验一下VLR1-3B 在其他通用多模态场景的表现：
先用我最喜欢的猫咪开始测试，询问它图中猫的花纹、品种和年龄：
Bingo，回答很准确~
再来，因为有从事的是自动驾驶算法研究的经验，所以凡是遇到有视觉能力的模型，都会被我拿来测一下：
连自动驾驶车辆都认识，厉害了👍🏻。那真实道路场景表现怎么样呢？
相当可以，车辆数量、颜色、类型都判断正确 ✅，同时天气和驾驶环境也准确识别。再来个夜晚场景，问问前方车辆的行驶意图：
看来可以呀~
测试到这，可见VLR1-3B的通用多模态能力不是一般的强了💪。大家有没有想到这个麻雀虽小，五脏俱全的多模态模型，除了 AI 数学助手，还有哪些可靠的应用场景？
小编现在想到的就有单机、本地版的家庭助手或者智能汽车车载 LLM 智能中心，在这两个场景中结合 VLR1-3B 的视觉推理能力，观察宠物、婴儿和老人的状态，或者与乘客完成车内互动、判断车辆行驶环境和前方车辆意图，能够实现纯本地运算和数据处理，提供更加安全可靠的方案。未来量化适配端侧这类多模态“小”模型似乎是一个不错的方向。
总体测试下来， VLR1-3B 不愧于它同级别模型多模态推理 SOTA 的自我介绍。测试过程中虽然也遇到了该级别模型的常见问题——如思考过程中的幻觉，特别是一些测试中，结果是正确的，但思考过程却明显失误。
但考虑到目前还是该开源模型的预览版，相信在后续更新和实际落地场景中，使用场景数据来 Fine-tune 后的模型能取得更好的效果。
话又说回来，作为一个只有 3B，有望成为开源本地 “家庭 AI 作业帮”的的选手，我很期待这个 3B 小模型的正式版发布，也希望能仔细学习一下技术报告或者是论文。
后续的计划当然是一边等正式版发布，一边继续完善这个 AI 作业助手的前后端，同时尝试量化模型（现在 是BF16，空间很大），并采用专业的推理框架提升性能。
最后的最后，让我许个愿，希望在正式版中看到视觉坐标定位功能
（文：PaperWeekly）