Cohere开源2.4B视觉模型 North Micro Vision，主攻文档理解

Cohere Labs 发布 2.4B 视觉语言模型 North Micro Vision

2026 年 8 月 12 日，Cohere Labs 正式发布 North Micro Vision Instruct。这是一款 2.4B 参数的开放权重视觉语言模型（VLM），采用 Apache 2.0 许可证，定位不是替代大型通用聊天模型，而是为文档理解、视觉问答和行业微调提供更紧凑的基础模型。

这次发布的核心信息

• 模型规模：总参数约 2.4B，由约 400M 参数的原生分辨率视觉编码器和约 2B 参数的语言模型组成。
  
• 原生分辨率输入：处理图片时尽量保留原始宽高比和细节，适合文档、表格、图表、截图、表单和 OCR 场景。
  
• 多语言与多图支持：模型卡列出了中文、英文、德文、法文、日文、韩文、阿拉伯文等语言，并支持多张图片输入。
  
• 开放与可定制：权重采用 Apache 2.0 许可证，可用于原型验证、领域数据微调和专用多模态应用研究。
  

适合哪些实际场景

这款模型更适合做本地或私有化的文档识别、图表问答、截图理解、视觉定位、结构化信息提取，以及面向特定行业资料的二次微调。2.4B 的规模也让它更适合在量化和合适推理框架下尝试笔记本、边缘设备或移动级硬件，而不只局限于服务器实验。

需要注意的限制

• 它不是推理模型，数学和代码生成能力有限。
  
• 当前不支持工具调用或 Agent 工作流，不能直接当作自动执行型智能体。
  
• 语言骨干支持 128K 上下文，但官方验证的多模态输入范围只有 8K；更长的图文上下文尚未完成基准验证。
  
• 原生分辨率图片越大，显存占用和推理延迟也会增加。
  
• 官方文章发布时写明公共 vLLM 支持仍在推进，实际部署前应先核对当前运行时兼容性。
  

官方来源

技术文章：Meet North Micro Vision

模型卡与权重：CohereLabs/North-Micro-Vision-Instruct

如果你要做本地文档 OCR、表格理解或截图分析，你会优先选择这种 2B 级小模型，还是继续用更大的通用视觉模型？