據報 CohereLabs 釋出 2.4B 視覺語言模型 North-Micro-Vision-Instruct，支援原生解析度

據 Reddit 開源社群消息，Hugging Face 平台出現由 CohereLabs 發布的 2.4B 參數視覺語言模型 North-Micro-Vision-Instruct，採 Apache 2.0 授權開放權重。 該模型總參數為 2.4B，由 2B 參數的語言模型與 400M 參數的視覺編碼器組成，其中視覺編碼器是基於 SigLIP 2 SO400M 進行客製化訓練。模型支援原生解析度影像處理，可保留原始長寬比與視覺細節，並具備多語言（含中文）與多影像輸入能力，涵蓋 VQA、OCR、圖表與文件理解等任務。 規格方面，模型採用 bfloat16 精度，Tokenizer 詞表大小為 262,144。其語言骨幹支援 128K token 上下文，但多模態提示的有效驗證範圍僅至 8K token，更長的上下文依賴外推且未經評測。 文件同時列出多項限制：該模型定位為供微調與原型開發的基礎模型，並非推理模型，數學與程式碼生成能力有限；不支援工具呼叫（Tool calling）與代理工作流；由於未經相關訓練，不建議使用系統提示詞（System prompts）。此外，輸入原生解析度影像會隨尺寸增加記憶體用量與延遲。