小型视觉模型，别只问能不能看图North Micro Vision Instruct这两天更新了官方模型仓库。它只有2.4B参数，支持原始分辨率、多图和多语输入，目标任务包括OCR、图表、文档、视觉问答和目标定位。但选小型视觉模型，我不会只问“能不能看图”，而会做四项检查。第一，输入怎么处理？原始分辨率支持有助于保留比例和细节，但仍要检查图片尺寸、页数、多图组合方式，以及你的显存能否承受。第二，任务是否对口？看图描述、OCR、图表理解、视觉定位是不同任务。模型卡列出支持范围，不代表你的票据、截图或中文小字已经通过测试。第三，输出是什么？North Micro Vision当前输出是文字。它能理解图片，不等于直接生成图片，也不等于自动完成后续业务动作。第四，接入是否成熟？模型卡要求Transformers 5.16.0；正式版本发布前需要从源码安装，公共vLLM支持仍标为即将提供。模型够小，不等于部署已经省心。还有一个容易看错的地方：语言骨干支持128K上下文，但模型卡写明多模态提示已验证到8K。两者不能当成同一个数字。本次没有下载模型，也没有实测中文OCR。真要选型，建议用自己的20张难例做准确率、耗时、显存和失败类型对照。你最想拿小型视觉模型测试票据、图表、网页截图，还是长文档？人工智能多模态AIAI工具AIGC