公開内容
Microsoftは2026年7月25日、Hugging Faceで Mage-VL の重みと実行コードを公開しました。画像質問、オフライン動画、H.264・HEVC動画、重要な変化を検出した時だけ応答するストリーミングを1つのチェックポイントで扱います。モデルカードはApache 2.0と約5Bパラメータを示しています。
主な設計
- 4B規模の視覚エンコーダーをゼロから学習しています。
- 基準フレームと動きの大きいパッチに集中し、均一なフレーム抽出より視覚トークンを減らします。
- 同じ重みで画像、抽出動画、コーデック動画、イベント駆動ストリーミングを処理します。
- Transformers、vLLM、SGLang、Dockerの例があります。
Microsoftは視覚トークンを75%以上削減し、精度を合わせた均一抽出より最大3.5倍速いと報告しています。これは単一8×B200ノードなどモデルカード記載条件での開発者測定です。
注目点
ライブ映像へ常時文章を生成すると遅延と費用が増えます。イベントゲートはスポーツの重要場面、監視映像の状態変化、長時間監視で変化時だけ応答する実験に役立ちます。重みのダウンロードは無料ですが、約10GBのファイル、GPU、保存、運用費は別です。
導入前の確認
自社映像、言語、遅延目標で再評価し、録画の個人情報・著作権、監視の法的根拠、誤検出の人手確認を設計する必要があります。独自コードを読み込む例は隔離環境で先に検査してください。