8月13日消息，Cohere Labs 发布 North Micro Vision，这是其产品线中目前最小的视觉语言模型，以 Apache 2.0 许可证开源，权重已上架 Hugging Face。模型总参数 24 亿（约 4.97GB BF16），定位企业文档理解任务，支持原生分辨率视觉处理、多轮图文对话、空间推理与视觉定位、多语言图像理解。官方称其基准表现优于 Gemma 4 E2B 与 Ministral 3 3B，尤其在文档理解与视觉问答上。
技术与定位：原生分辨率与文档优先训练
North Micro Vision 的核心设计是原生分辨率视觉处理：图像不压缩成固定缩略图网格，视觉 token 数量随分辨率缩放，最终对齐阶段支持 A4 页面 200 dpi（约 1654×2339 像素）。架构上采用 DeepStack 路径，视觉 patch 特征注入语言模型的第 8、16、24 层而非仅前置拼接，用于保留文档、表格与小字号文本的细节。视觉编码器约 4 亿参数（从 SigLIP 2 SO400M 初始化），搭配 20 亿参数的 North Micro 语言骨干。
训练配方明确偏向文档任务：在 5000 万条指令样本中，OCR、图表与表格、定位与计数、OCR 问答四类合计占 62.2%。官方给出的目标场景是发票、表单、理赔、目录、档案、图表与报告——这些正是企业里小字多、结构密、需要精读的文档类型。多语言图像理解覆盖中文、英文等。
能力与基准：同量级对比占优，但属厂商口径
官方公布的基准显示，North Micro Vision 在多项视觉理解测试中优于 Gemma 4 E2B 与 Ministral 3 3B，文档理解与视觉问答表现突出。这两项能力与训练配方的文档倾斜直接对应。需要说明的是，这些对比数据来自 Cohere 官方发布，尚未看到独立的第三方复现。
另一个值得注意的边界是成本。原生分辨率意味着每个保留的像素都会变成视觉 token：一张 A4 页面约消耗 3800 个视觉位置，产品照片约 3756 个 token。而该模型验证的多模态上下文为 8K（128K 是语言骨干的上下文），原生分辨率图像会占用较大比例的上下文预算后才轮到文本提示。对文档密集任务这是特性，对长对话场景则需留意。
观察：小模型竞争转向垂直任务
North Micro Vision 是 North 系列的新成员，此前 6 月发布的 North Mini Code 1.0 面向 agentic 编程。两个模型都是小参数量、Apache 2.0、单任务深耕，这个节奏显示 Cohere 在开源小模型上的策略：不做大而全，而是每个模型瞄准一个可自托管的垂直场景。文档理解被选中，因为它是视觉模型最现实的落地场景之一——发票、表单、档案处理在企业里有明确付费需求，且对数据隐私敏感，倾向本地部署。
对开发者而言，这个模型的价值在于：Apache 2.0 意味着可以自托管、微调与商用，2.4B 规模对单机推理友好。官方基准指向文档任务占优，但落地前仍值得用自有文档样本验证——厂商自报的基准，尤其在同量级对比里，通常需要独立复现才能作选型依据。
AI 速览
