实测！最新端侧全模态大模型Megrez-3B-Omni - 文章 - 开发者社区

大家好，我是刘聪NLP。

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。

picture.image

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。

picture.image 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。

picture.image

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。

picture.image

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。

picture.image

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

picture.image

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

picture.image

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

picture.image

结果：正确

picture.image

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。

picture.image

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

picture.image

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。

picture.image

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

picture.image

语音问答

结果正确，可以理解语音内容

picture.image

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。

picture.image

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。

picture.image

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， picture.image

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~~

PS：看到这里，如果觉得不错，可以来个点赞、在看、关注。给公众号添加【星标⭐️】不迷路！您的支持是我坚持的最大动力！

欢迎多多关注公众号「NLP工作站」，加入交流群，交个朋友吧，一起学习，一起进步！