SenseNova-Vision-7B-MoT 視覺模型發布：基於 Bagel 微調，單一模型整合物件偵測、OCR、深度圖與遮罩

據 Reddit 社群討論，基於字節跳動 Bagel 微調的多模態模型 SenseNova-Vision-7B-MoT 發布，單一模型整合了物件偵測、OCR、深度圖與遮罩生成四項任務。 該模型總參數為 14B（啟動參數 7B）。物件偵測與 OCR 結果會以純文字附帶座標輸出，深度圖與遮罩則以生成圖片形式輸出。 論文數據顯示，其在選定的物件偵測與 OCR 測試中排名第一（含一項平手），並在所有深度圖資料集擊敗 Depth Anything V2，但多數成績仍落後於 MoGe-2；在遮罩測試中，專用的分割模型仍保持多數領先。 本地部署門檻較高，官方 README 僅在單張 80GB A800 進行驗證，尚未完全確認較小顯卡的相容性。目前未提供 GGUF 格式，且 llama.cpp 尚未支援載入 Bagel 架構。此外，儘管基礎模型 Bagel 採 Apache 2.0 授權，該微調模型的權重僅限非商業用途。