实测！最新端侧全模态大模型Megrez-3B-Omni

中午看到无问芯穹开源了一个端侧全模态大模型-Megrez-3B-Omni，马上来测测看，效果如何。

Github: https://github.com/infinigence/Infini-Megrez   HF: https://huggingface.co/Infinigence/Megrez-3B-Omni   Demo: https://huggingface.co/spaces/Infinigence/Megrez-3B-Omni   

先说点题外话，大模型发展到现在，虽说参数越大，模型越智能，但毕竟现在GPU资源还是蛮紧张的，太大的模型消耗资源太多，并发起来的时候，根本烧不起，真正坐落地的懂得都懂。当然现在也是越来越多的人来搞SLMs（small language models），像千问最新的Qwen2.5系列也是开源了0.5B、1.5B、3B模型，面壁前端时间也是开源了MiniCPM3-4B模型，微软的Phi系列模型也是一直在更新。这也是AI现在冲突的点吧，模型越大越智能，模型越小越容易落地。

一个全模态的端侧模型，相当于一个模型干3个事情，可以极大减少部署成本。

还发现他们开了一个web-search的相关项目（直接本地搭建自己的Kimi或Perplexity），还是蛮良心的，特此分享给大家。

下面从模型介绍、模型实测（文本、图像、语音三个方面）、web-search项目三个部分来介绍。

模型概述

Megrez-3B-Omni是由无问芯穹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，具体模型参数如下表所示。

Megrez-3B-Omni在并未牺牲模型的文本处理能力的前提下，在三个模态上相较于同等参数模型，均取得较好的效果。

图源：https://internvl.github.io/blog/2024-12-05-InternVL-2.5/

注意：下面的文本、图像、语音评测均基于https://huggingface.co/spaces/Infinigence/Megrez-3B-Omni

文本测试

依旧老三样，看看是否可以解决。

• 9.9和9.11谁大的问题

  正确，回答十分简洁，因此又追问了一下为什么，回答的很好，解释思路也有点奇特，是按照数值范围来比较的。

  

• 用水来兑水，得到的是浓水还是稀水

  正确，理解的问题的关键，水兑水，还是水。

  

• 小红有2个兄弟，3个姐妹，那么小红的兄弟有几个姐妹

  错误，没有理解小红是女生，当然这道题本身也有争议，很多人都说应该分开讨论，分别讨论小红是男生和女生的情况。不过有意思的是，他先回答的是1，最后又纠正成3。从文本的评测榜单上来看，Megrez-3B-Omni在数学上还是有一些欠缺的。但话说回来，3B模型对于数学还是精力有限，太难的问题还是推荐大家用32B以上的模型。

  

• 那道伦理、生物、数学问题

  这道题算是比较难的了，虽然没回答对，但是可以看出安全对齐的还是不错的，想了解这道题，见一道涉及数学、生物、伦理的AI测试题，来测测各家大模型的推理能力

  

其他问题，大家自测吧，我整体的体验效果还不错，对于小参数模型来说，还是不错的。

图像测试

• 测试一下单图片信息抽取功能

  input：谁（姓名）几点出发，从哪儿到哪儿，并且花了多少钱

  结果：正确

  

• 测试一下单图片信息抽取+计算功能

  input：请逐步详细分析，告诉我在中文数据和英文数据分别占比是多少，并且告诉我总和

  

  结果：正确

  

• 测试一下单图片理解功能

  input：请逐步详细分析，这张图片里是有两只狗，对吗

  结果：一开始说是，但后面又答对了，说一只猫一只狗。

  

• 测试一下单图片手写ORC功能

  input：请逐步详细分析，输出图片中的文字内容

  结果：输出结果丢字了，官方也说了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，但关闭采样可能引入模型复读

  

• 测试一下单图片表格结构化输出

  input：识别图片中表格内容，并以结构化格式输出

  结果：正确，不过我这里贴的是简单表，复杂表的话，效果不好。当然好像现在复杂表的识别，模态大模型包括4o的效果都不好。

  

当前版本模型暂时不支持多图，就没测试，内部消息说下一版本会支持多图和视频（这一版本模型训练时多图数据没加太多）。

此外篇幅有限，更多的能力大家自己测测看看吧。

语音测试

• 语音转文本

  结果：正确

  

• 语音问答

  结果正确，可以理解语音内容

  

  

我在电脑端，音频测试有点麻烦，就简单测了几个，其他语音内容大家就自己测试吧。

Web-Search部分

其实让我感兴趣的还有一个web-search方案，里面还是有一些细节内容的，并不是一个简单的RAG总结项目。比如：工程中会增加一步摘要过程，去除无效的网页信息，并将内容cache下来，以便提高模型回复效果等。

Github: https://github.com/infinigence/InfiniWebSearch   

项目是基于Megrez-3B-Instruct模型，进行的web-search搭建，做了一些适配Search的专项训练，

• 模型调用Search Tool的时机挺准确的。做过相关内容的同学一定知道，模型在Search工具调用上很容易出现一直调用工具的情况，但实际上一些日常问题是不需要调用搜索引擎的，大模型可以直接回答甚至效果更好。

• 多轮对话的理解不错。我们也知道多轮对话理解是大模型的强项，但在带检索的过程当然，就需要模型对整个对话有很好的理解能力。

• 当然给出带ref格式的输出内容，这个部分是模型针对性训练后才用的能力。

看他的工程，里面还是有很多有意思的细节内容，并不是一个简单的RAG总结项目。比如：工程中会增加一步摘要过程，去除无效的网页信息，并将内容cache下来，以便提高模型回复效果等。

Github: https://github.com/infinigence/InfiniWebSearch   

项目的整体流程如下图所示，

• 判断是调用工具回答还是大模型直接回答

• 若调用工具回答则对用户Query改写，生成相应的搜索关键词

• 通过查询Query获取相关的网页文本内容

• 根据Query和各个网页内容生成对应的summary，无关网页或者内容会以“无相关信息”替代

• 在根据summary和Query终结生成答案。

SUMMARY_PROMPT_TEMPLATE = (       '从信息中总结能够回答问题的相关内容，要求简明扼要不能完全照搬原文。直接返回总结不要说其他话，如果没有相关内容则返回"无相关内容", 返回内容为中文。\n\n'       "<问题>{question}</问题>\n"       "<信息>{context}</信息>"   )      OBSERVATION_PROMPT_TEMPLATE = (       "You will be given a set of related contexts to the question, "       "each starting with a reference number like [[citation:x]], where x is a number. "       "Please use the context and cite the context at the end of each sentence if applicable."       "\n\n"       "Please cite the contexts with the reference numbers, in the format [citation:x]. "       "If a sentence comes from multiple contexts, please list all applicable citations, like [citation:3][citation:5]. "       "If the context does not provide relevant information to answer the question, "       "inform the user that there is no relevant information in the search results and that the question cannot be answered."  # noqa: E501       "\n\n"       "Other than code and specific names and citations, your answer must be written in Chinese."       "\n\n"       "Ensure that your response is concise and clearly formatted. "       "Group related content together and use Markdown points or lists where appropriate."       "\n\n"       "Remember, summarize and don't blindly repeat the contexts verbatim. And here is the user question:\n"       "{question}\n"       "Here is the keywords of the question:\n"       "{keywords}"       "\n\n"       "Here are the set of contexts:"       "\n\n"       "{context}"   )   

整个项目的启动也是十分简单，三步走，你就可以得到一个本地部署的kimi啦：

• 启动检索

export SERPER_API_KEY=$YOUR_API_KEY   cd infini_websearch/service   python search_service.py --port 8021 --chrome ./chrome-linux64/chrome --chromedriver ./chromedriver-linux64/chromedriver   

• 启动模型

python -m vllm.entrypoints.openai.api_server --served-model-name megrez --model $MODEL_PATH --port 8011 --max-seq-len 4096 --trust_remote_code   

• 启动Demo

python gradio_app.py -m $MODEL_PATH --port 7860   

PS：其他详细内容自己去看Github，比如摘要字数、关注的对话轮等等。

写在最后

Megrez-3B-Omni模型的整体体验还是不错的，但还是存在一些问题，比如ocr时候需要平衡准确识别和复读、模型数学能力有待提高等等，但对于小模型来说，还要同时负担三个模态，其实也不错了，要啥自行车呢。

期待下一版更新吧，愿开源大模型越来越好~~

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）