Cohere 开源 North Micro Vision：迄今最小，2.4B，Apache 2.0

8 月 12 日 16:07（UTC），宣布 North Micro Vision 加入模型家族：这是公司迄今最小的视觉语言模型（VLM），面向"复杂文档理解"，Apache 2.0 开源，权重上架 Hugging Face。给出 2.4B 参数，以及原生分辨率处理、图文多轮对话、空间推理与视觉定位、多语言图像理解四项能力。

权重当天挂在，署名同日发布。最扎眼的数字来自 DocVQA：0.921，高于博客对比表中所有视觉模型——3.8B 的 Ministral-3-3B 是 0.896，2.2B 的 Qwen3-VL-2B 是 0.825，只有纯文本模型 Qwen3.5-2B-Instruct（0.926）排在它前面。

一页 A4 按 200 dpi 原样进模型

North Micro Vision 与多数小模型最大的区别在输入端：不把每张图压成小正方形，而是保留原分辨率和宽高比。据技术博客，训练的第三阶段把原生分辨率上限推到 1654×2339 像素，等于 200 dpi 下的一页 A4，整页表格、表单和小字号文本不用先被缩成糊块。

2.4B 由两部分拼成：一个 400M 的定制视觉编码器，加 2B 的自研语言模型 North Micro LLM。

编码器从 SigLIP 2 SO400M 检查点继续预训练，用 2D RoPE 加可学习的一维位置嵌入（C-RoPE）保持空间结构；语言模型沿用 Command A+ 架构，三层滑动窗口注意力加一层全局注意力。视觉 patch 按 DeepStack 的思路注入 LLM 前几层，让语言模型看到不同抽象层次的视觉特征。

训练分四阶段：Stage 1 用 1000 万样本在 384×384 固定分辨率下只训编码器和投影器，数据是 60% 密集描述加 40% OCR；Stage 2 先升到 1024×1024（1300 万样本）、再推到 A4 上限（1000 万样本），全模型联合训练。

Stage 3 用 5000 万样本做原生分辨率指令微调，OCR 与图表数据各占 17.8%；Stage 4 用 50 万偏好样本做简化版 MPO——DPO 加 15% 权重的 SFT 损失，只训语言模型，补安全和输出格式。

DocVQA 0.921 领跑，STEM 掉到榜尾

评测统一用 VLMEvalKit，生成上限 1024 token，对比组限定为指令微调、非推理模型。文档与图表是它的主场：DocVQA 0.921 在全部视觉模型里最高；ChartQA 0.808，高于 Qwen3-VL-2B 的 0.693 和 Ministral-3-3B 的 0.791；InfoVQA 0.652、AI2D 0.775。差距最大的是视觉定位：RefCOCO 平均 0.732，Qwen3-VL-2B 只有 0.304，Ministral-3-3B 是 0.317。

离开文档场景，分数明显回落：通用 VQA 的 MMBench 0.687（Qwen3-VL-2B 为 0.744）、MMStar 0.518；STEM 的 MMMU 只有 0.329，在表里垫底；OCRBench v2 0.367；纯文本 MMLU 0.504。博客自己的结论也直白：基准画像在文档理解和视觉定位上最强。

视觉模型从 219B 缩到 2.4B

"迄今最小"不是修辞。上，Command A Plus 系列的 Image-Text-to-Text 模型挂着 219B 和 126B 两档，North Micro Vision 的 2.4B 只有 126B 档的约五十分之一。2025 年 7 月 31 日，该组织发布过 Command A Vision，定位"为商业而生的多模态"；今年 6 月 9 日，North Mini Code 以 30B 规模上线，是 Cohere"首个面向开发者的模型"。North Micro Vision 是这条模型线上最小的节点。

博客把这次发布挂进更大的路线：Cohere 的 sovereign AI 工作，用清晰的许可、开放的权重和透明的评测来配套模型开发。在 8 月 12 日晚发帖强调，权重发布在 Hugging Face 让视觉理解应用"可以在本地运行"。

评论区在争 OCR 商品化，也有人追问显存

截至 8 月 14 日，主推文累计 7.1 万余次浏览、793 个赞、79 次转发。评论区的讨论集中在几个话题。海得拉巴的创业者 Jayadeep Reddy ：以 Apache 2.0 开源一个做文档理解的微视觉模型，等于把企业 OCR 商品化，"瓶颈会从模型规模转移到本地推理引擎处理高分辨率图像块的效率"。

自称 CS/AI 博士、在做 agentic 基础设施的 Andrii Bidochko ，这类模型正是"边缘与本地文档处理工作流缺的那块拼图"，不必依赖大规模云端推理管线就能原生处理复杂文档结构和 OCR，对企业隐私是"一场大胜"。

也有人泼冷水。独立开发者 Idov Mamane Apache 2.0"很慷慨"，但他担心"'最小'通常带着没人提前说明的隐性让步"。另一位用户直接问：跑这个模型需要多少 RAM/VRAM。

官方边界：不推理、不调工具、8K 上下文

模型卡把自己的边界写得比评论区还细：它是用于定制的紧凑底座，不是大型通用聊天助手的替代品；不是推理模型，数学和代码生成能力有限；不支持工具调用和 agentic 工作流；没有用 system prompt 训练；多模态上下文验证到 8K token，尽管语言后端本身支持 128K；原生分辨率输入还会随图像尺寸增加显存占用和延迟。

部署栈目前有缺口：推理需要 Transformers 5.16.0，正式版发布前得从源码安装；Flash Attention 2 可选；公共 vLLM 支持还写着"即将上线"。生态端动作不少：社区已贡献 MLX-VLM 权重，NVIDIA 合作提供 AutoModel 配方用于在 NVIDIA GPU 上微调和部署，另有 Axolotl 微调支持。博客称，配上合适的推理栈和量化，这个规模可以跑在笔记本甚至边缘、移动级硬件上。

发布当天，权重、模型卡、博客和基准表都能拿到，只有生产推理常用的一环还欠着：vLLM 支持。要不要把它接进现有管线，得等官方把这最后一块补上。