微软推出仅4B参数的流式视觉语言模型Mage-VL，专为直播式视频理解设计。该模型能实时描述视频内容，并支持用户用自然语言指定关注时刻（如“火车到站时”），在低算力下实现高效流式处理。实测可在Mac mini上完成本地部署。