微软发布支持视频理解的视觉-语言模型Mage-VL

图片：METAL

摘要

微软在Hugging Face上公开了image-text-to-text模型Mage-VL
据悉该模型不仅支持图像理解，还具备视频理解和流式对话功能
以Apache 2.0许可证发布，可直接在Transformers、vLLM、SGLang等平台使用

微软在Hugging Face上公开了视觉-语言模型Mage-VL。据确认，该模型执行image-text-to-text任务，并支持图像理解之外的视频理解（video-understanding）功能。

模型卡片上标注了multimodal、vision-language-model、streaming、conversational等标签，显示其设计并不局限于简单的图像问答，而是同时考虑了连续对话式交互和基于视频的输入处理。据悉，相关研究内容整理于arXiv 2607.24904论文中。

发布方式

Mage-VL以Apache-2.0许可证公开，可用于商业用途。用户可以在Hugging Face Transformers库中以pipeline形式直接调用，同时也支持通过vLLM和SGLang进行服务器端部署。该模型需要执行自定义代码（trust_remote_code），这表明其采用了自研实现方式，而非标准架构。

截至发布时，除该模型通过拥有322个赞、2.15万粉丝规模的微软账号发布这一信息外，模型卡片摘录内容中并未披露具体的参数规模或基准测试成绩。