兄弟们，微软居然还搞了这个好东西，值得看看啊！ 做零售店、巡检的行业人简直是大喜~

Microsoft扔出一个仅仅4B的流式视觉模型，能实时盯着视频说"什么时候发生了什么"。

Mage-VL是Codec-Native的Streaming VLM，专门做直播式理解。

它一边看视频一边描述正在发生的事，你还能用自然语言指定关心的时刻，比如"火车到站的时候""进球的瞬间"。4B体量却能持续处理流式输入，效率很高。

以前实时视频理解要么靠大模型烧算力，要么只能事后分析。