不卷参数，微软这次卷“全栈”：4B Mage-Flow 如何跑进原生高清时代

OpenCSG OpenCSG 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 377平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-10-11 13:55:01 发布 377 阅读 AI 写同款· GEO 优化 ›
视觉大模型2026 动作识别 Mage-VL 4B 阅读详情

近日，微软 Mage 团队发布了新一代图像生成与编辑模型 Mage-Flow，相关模型权重和代码也已同步开放。这个模型家族以 4B 参数规模覆盖文生图与指令式图像编辑，既有完整步数版本，也提供四步完成生成或编辑的 Turbo 版本。

如果只看这些标签，Mage-Flow 很像又一次常规的模型上新。它的特别之处，要放进行业背景里看：Qwen-Image 做到 20B，FLUX.2-dev 来到 32B，HunyuanImage 3.0 更是推到 80B。参数越多，通常意味着更强的容量，也会抬高训练、微调和部署成本。Mage-Flow 偏偏选择控制主干规模，从图像压缩器、扩散 Transformer 一直改到 CUDA 内核，试图用整套系统的效率换取模型能力。

这也不是一个“小模型战胜大模型”的简单故事。Mage-Flow 没有在所有指标上横扫更大的系统，部分文字和编辑测试仍有差距。它更值得讨论的是另一件事：图像模型是否好用，参数量只是其中一项；图像怎样进入潜空间、不同尺寸怎样组批、训练栈怎样搬运数据，同样会改变最终的速度与成本。

01 4B 不是终点，而是预算

Mage-Flow 是微软轻量多模态模型家族 Mage 的生成分支，任务覆盖文生图与指令式图像编辑。团队没有先把骨干网络做大，再寻找压缩办法，而是一开始就给自己设下 4B 预算：如果不靠堆参数，效果从哪里来？

Mage-Flow 把答案写进了整套技术栈。底层的 Mage-VAE 负责把像素压进潜空间；上层的 Native-Resolution MMDiT 负责理解文本与图像 token；训练系统则用可变长度打包和融合 CUDA 内核减少等待。三部分指向同一个目标：别让算力消耗在重复编解码、补齐无效 token 和频繁读写显存上。

一个检查点可以生成高、宽均在 512 到 2048 像素之间的图像，尺寸为 16 的倍数，还能覆盖 512×2048、2048×512 这样的 4:1 画布。对海报、横幅、竖版封面这些真实创作场景来说，这比“固定出一张方图再裁切”实用得多。

02 第一刀，先砍掉 VAE 的高清税

很多文生图系统都会先用 VAE 把图片压缩成潜变量，扩散模型在潜空间工作，最后再解码回像素。VAE 看起来只是前后各跑一次的配角，但分辨率升到 1K、2K，或者编辑流程需要反复读取参考图时，它会吃掉一块不小的延迟和显存。以 FLUX.2-Klein-4B 为例，生成 1K 图像只采样四步时，VAE 解码仍占总耗时的 14%。

Mage-VAE 因此没有沿用常见的重型高分辨率模块。它把编码器和解码器都做成一步扩散模型：解码端用全卷积结构从潜变量重建像素，编码端采用对称设计，从像素生成潜变量。训练时，它不再只要求潜变量贴近标准高斯分布，而是用 FLUX.2-VAE 的潜分布做“锚”，通过 anchor-latent KL 保住可供下游生成器使用的潜空间结构。

落到表示上，Mage-VAE 输出 128 通道、16 倍下采样的潜变量。它追求的并非单纯把图片压得更小，而是在减少编解码成本的同时，让潜变量仍能被现有扩散主干理解。为了验证兼容性，团队还把 Mage-VAE 与 FLUX.2-VAE 放进对方的生成或编辑模型，主要指标依然接近。这比只看重建图是否清晰多了一层保证，因为一套重建漂亮但破坏生成先验的 VAE，实际并不好用。

在 CLIC 2020 和 FFHQ 两组测试中，Mage-VAE 的重建质量接近 FLUX.2-VAE，每像素编码、解码计算量却分别减少约 12.3 倍和 22.3 倍。这个数字不是“端到端快 22 倍”，而是 tokenizer 部分的 MACs 降幅；真正落到完整生成链路，还要看主干网络、采样步数和硬件。

03 第二刀，把不同尺寸塞进同一批

传统训练常把图片分进若干分辨率桶。同一批数据通常只能选择一个桶，不同长宽的样本需要缩放、裁切或补齐。结果是 GPU 明明在算，却有一部分算力花在 padding 上；模型看到的尺寸组合也受预先设置的桶限制。

Mage-Flow 的 NR-MMDiT 改用原生分辨率打包。Mage-VAE 产生的不同长度图像 token，与 Qwen3-VL 编码的文本 token 一起进入可变长度序列；FlashAttention 的 var-len 机制负责计算注意力，每个样本保留自己的二维 RoPE 坐标。模型由此可以在同一个 batch 里处理横图、竖图和方图，不必先把它们切成同一形状。

这套打包方式也被带到推理阶段。使用 classifier-free guidance 时，常规做法要分别计算有条件与无条件分支；Mage-Flow 把两条分支合进一次 packed forward。在单张 A100 的测试中，packed CFG 带来了约 1.09 至 1.15 倍的推理加速。幅度不算夸张，却是一种很“工程”的收益：不改变原有去噪轨迹，只减少重复调度。

04 一套底座，生成和编辑各有三档

同一个 Mage-VAE 和 NR-MMDiT 被用于两类任务。文生图只接收提示词；编辑模型还会接收源图和编辑指令，并用带额外帧维度的位置编码区分来源图与目标图。官方目前公开了六个版本：

  • Mage-Flow-Base：文生图基础模型，30 步；
  • Mage-Flow：经过 Diffusion-NFT 对齐的文生图模型，20 步；
  • Mage-Flow-Turbo：蒸馏后的文生图模型，4 步；
  • Mage-Flow-Edit-Base：指令编辑基础模型，30 步；
  • Mage-Flow-Edit：对齐后的编辑模型，30 步；
  • Mage-Flow-Edit-Turbo：四步编辑模型。

编辑范围比“换个滤镜”宽得多。演示案例覆盖物体增删与替换、背景修改、材质和风格变化、老照片修复、去雾、扩图、姿态与边缘提取等案例，还支持多张参考图共同输入。训练编辑模型时，团队保留了一部分生成数据，希望模型学会按指令修改的同时，不丢掉开放式生成能力。

基准测试中，Mage-Flow 的 GenEval 得分为 0.90，四步 Turbo 为 0.88；Mage-Flow-Edit-Turbo 在 GEdit-Bench 英文、中文分项上分别得到 8.271 和 8.264。

05 四步、0.59 秒，快在哪里

Turbo 版本把采样压到四步。在单张 NVIDIA A100、1024² 分辨率的端到端测试中，Mage-Flow-Turbo 生成一张图需要 0.59 秒，峰值显存 17.68 GB；Mage-Flow-Edit-Turbo 完成一次编辑需要 1.02 秒，峰值显存 18.57 GB。完整步数的 Mage-Flow 和 Mage-Flow-Edit 则分别约为 4.37 秒和 10.55 秒。

四步并非简单少算几轮。团队从 Base 模型出发，用 decoupled DMD 做分布蒸馏，再加入基于 DINOv2、CLIP 特征的对抗感知指导，尽量补回少步采样容易损失的细节与语义。不过，对抗感知指导并没有让所有通用编辑指标一起上涨；它对生成和文字编辑更稳定，对部分 GEdit 指标则有升有降。

训练侧的提升来自另一组改动。团队依次替换轻量 Mage-VAE，并融合 VAE、Qwen3-VL 和 NR-MMDiT 中反复出现的归一化、旋转位置编码、门控与残差操作。在单台 8×B200、每卡一个 5 万 token packed sample 的消融实验中，每步耗时从 1.9285 秒降到 0.7775 秒，MFU 从 13.88% 升到 29.28%，相对提速 2.48 倍。这个结论对应特定训练配置，不能直接换算成任意机器上的“训练时间缩短 60%”。

06 真正值得关注的，是一条可复用路线

Mage-Flow 的模型权重和代码均已开放，给出了一条有完整证据链的“小而强”路线。它没有把全部希望押在骨干网络上，而是追问每一层有没有浪费。图像压缩器能否更轻？不同尺寸能否真正混合训练？CFG 能否合并前向？内存受限的算子能否融合？这些改动单看都不像模型发布会上的主角，叠在一起却改变了 4B 模型的可用边界。

当然，目前展示的中文文字稳定性、复杂局部编辑的一致性、消费级显卡上的真实速度，以及社区微调生态，都还需要更广泛的独立测试。

Mage-Flow 的价值不会只是一组漂亮的 benchmark，而是提醒视觉生成领域：参数规模之外，整条数据与计算路径仍有大量空间可挖。

07 社区地址

OpenCSG 社区：

https://opencsg.com/models/microsoft/Mage-Flow

Hugging Face社区：

https://huggingface.co/microsoft/Mage-Flow

08 OpenCSG vs 魔搭：如何选择？

维度OpenCSG/CSGHub魔搭/ModelScope
平台定位企业级AI资产管理中心面向开发者和AI 社区的MaaS平台
本地部署对象一套模型资产管理平台本身偏向模型、SDK 和工具链的本地使用
是否支持私有化/离线化明确支持私有化部署、离线运行支持模型下载、本地缓存、本地训练/推理等能力
开源代码平台型产品本身SDK 和大量工具链项目
管理能力模型、数据、代码、应用的统一资产治理。管理模型使用链路

模型部署和推理使用在魔搭、OpenCSG 等模型社区中均可实现，但OpenCSG/CSGHub 的核心在于，它不只是让模型“跑起来”，而是进一步支持企业把模型、数据集、代码和应用等 AI 资产放到本地、内网或离线环境中统一管理。它解决的不只是“模型怎么部署、怎么调用”的问题，更是“模型进入企业后如何被安全管理、版本沉淀、权限控制和持续运营”的问题。

对于企业来说，CSGHub 可以帮助构建自己的私有模型资产中心，降低对外部平台的依赖；对于个人开发者来说，也可以用更系统的方式管理模型、实验项目和 AI 应用流程。相比更偏向模型发现、体验和使用入口的魔搭，CSGHub 更适合那些希望把 AI 能力真正沉淀下来，并长期维护、持续迭代的用户。

09关于OpenCSG

OpenCSG 是全球领先的开源大模型社区平台，致力于打造开放、协同、可持续生态，AgenticOps是人工智能领域的一种AI原生方法论，由OpenCSG（开放传神）提出。AgenticOps是Agentic AI的最佳落地实践也是方法论。核心产品CSGHub提供模型、数据集、代码与 AI 应用的 一站式托管、协作与共享服务，具备业界领先的模型资产管理能力，支持多角色协同和高效复用。

标签
#microsoft #开源 #大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
具身智能落地实战：制造业、物流与电力的工业级方案设计 具身智能是一种融合感知、推理与物理执行的智能范式，其核心在于构建具备因果建模能力、多模态闭环反馈和实时动作规划的行动主体。区别于通用AI或传统自动化，它依托多模态大模型、高精度力觉/触觉传感及Sim2Real仿真技术，实现对真实物理环境的深度理解与自适应交互。技术价值体现在可解释性决策、毫秒级跨模态协同与零停机容错能力，已规模化应用于制造业质检、物流破损鉴定、电力绝缘子巡检等强约束工业场景。本文聚焦‘行业应用方案解决方案’这一高频搜索需求，系统拆解从工位筛选、分层架构设计到72小时现场交付的全链路工程方法论 阅读详情

相关推荐

ADS SerDes仿真实战：深入解析Tx_Diff均衡器(EQ)参数对眼图质量的影响

本文以ADS仿真平台为基础，深入解析了SerDes设计中Tx_Diff均衡器（EQ）参数对信号完整性的核心影响。通过实战演示，详细对比了去加重（De-emphasis）与FIR抽头系数两种调节模式，揭示了它们如何有效对抗信道损耗与码间干扰，从而显著改善眼图的高度、宽度与抖动性能，为高速串行链路设计提供关键调优思路。

weixin_29230901的博客 226

Mage-VL 多模态模型实战指南：从克隆仓库到跑通视频理解与流式推理

Mage-VL 是微软开源的 **codec-native 流式多模态基础模型**，以 4B 参数同时覆盖图像理解、视频理解与事件门控流式解说。本文带你以"实战路线"的方式，从环境搭建一路走到三个可复现的推理任务，并附上仓库地图、参数速查与排错清单，让新手也能在半天内把模型真正跑起来。 > 写在前面的心里话：本文不会把每个概念都讲成学术论文，而是先给命令、再看原理、最后给问题手册。你不需要理解

gitblog_00159的博客 662

ThinkPHP 8.1 + think-swoole 4.1 实战：5分钟搞定WebSocket聊天室（附完整代码）

本文详细介绍了如何使用ThinkPHP 8.1和think-swoole 4.1快速构建高并发WebSocket聊天室。通过5分钟实战教程，开发者可以轻松实现用户列表、消息广播等核心功能，支持2000+并发连接，适用于客服系统、在线协作等实时通信场景。

ol789012345的博客 126

Mage-VL实战教程：用H.264/HEVC传统编解码器处理视频的完整指南

Mage-VL是一款高效的编解码器原生流媒体多模态基础模型，专为图像和视频理解设计。它采用创新的Codec-ViT视觉编码器，能够通过传统编解码器（如H.264/AVC、HEVC/H.265）或神经编解码器处理视频内容，实现高效的视频理解和处理。本教程将详细介绍如何使用Mage-VL中的H.264/HEVC传统编解码器处理视频，帮助新手和普通用户快速掌握这一强大工具。 ## 为什么选择Mage-

gitblog_00324的博客 676

自动驾驶开发者必看：nuscenes数据集23类物体标注全解析（附避坑指南）

本文深入解析nuscenes数据集的23类物体标注系统，为自动驾驶开发者提供全面的标注规范解读和实战避坑指南。涵盖多模态数据组织、类别细分规则、属性系统应用技巧以及标注质量验证方法，帮助开发者高效利用这一标杆数据集提升模型性能。

weixin_29041767的博客 256

Redis Lua引擎UAF漏洞CVE-2025-49844深度剖析与复现实践

内存安全是软件系统稳定性的基石，其核心原理在于确保程序对内存的访问始终处于合法、受控的状态。在C/C++等手动管理内存的语言中，Use-After-Free（释放后使用）是一种典型的高危内存安全漏洞，它源于已释放的内存区域仍被程序指针引用，导致数据混乱或程序崩溃。这类漏洞的技术价值在于其往往能突破高级语言的安全边界，直接威胁进程本身，危害等级极高，常见于数据库、浏览器等核心基础设施。在Redis这样的高性能内存数据库中，其内置的Lua脚本引擎为复杂操作提供了强大支持，但同时也引入了沙箱环境下的复杂内存对象生

weixin_42530732的博客 365

Mage-VL-8bit vs 原版Mage-VL：量化前后显存占用对比，5GB如何实现9.5GB模型效果？

Mage-VL-8bit是基于microsoft/Mage-VL（4B codec-native多模态模型）通过8-bit量化技术适配Apple Silicon的MLX框架版本。相比原版9.5GB的显存占用，该量化版本仅需5.0GB磁盘空间，却能保持接近原版的性能表现，为资源有限的设备带来高效的视觉语言处理能力。 ## 量化技术解析：如何实现5GB显存占用？ Mage-VL-8bit采用了先进

gitblog_00885的博客 801

Yolov8损失函数改进：MPDIoU新型边界框相似度度量，效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等 | ELSEVIER 2023

ELSEVIER 2023 MPDIoU新型边界框相似度度量助力yolov8，适用提升小目标、遮挡物性能提升

①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体； 7776

Mage-VL 实战手册：把 4B 视觉语言模型跑成你的实时“直播解说员“

假设你要做一个自动解说足球比赛的 AI：直播流进来，系统需要实时识别进球、犯规、精彩扑救，并在事件发生的几秒内生成一句解说。传统方案是什么？把视频均匀抽帧，每帧切成几十上百个图像小块（patch，即把图片分割成的小方块），全部塞进视觉语言模型（VLM，能同时理解图像/视频和文本的大模型）。结果很残酷：一段 1 分钟的视频就要数千个视觉 token（模型处理的最小文本/视觉单元），推理延迟上秒，算力

gitblog_00597的博客 307

【Unity3D插件】XCharts插件完全教程《全网最全》-专栏文章目录

最近在做图表类需求功能的时候，发现了一款强大的Unity3D插件,也就是XCharts图表插件，功能强大，支持多种图表。官方介绍：一款基于UGUI的功能强大、简单易用的数据可视化图表插件。支持折线图、饼状图、饼图、雷达图、散点图、热力图、环形图、K线图、极坐标、平行坐标等十多种内置图表，以及3D饼图、3D金字塔、漏斗图、仪表盘、水位图、象形柱图、甘特图、矩形树图等拓展图表。内置丰富示例和模板，参数可视化配置，效果实时预览，纯代码绘制。支持折线图、柱状图、饼图、雷达图、散点图、热力图等常见图表。

优快云博客专家，Unity3D高级软件工程师，《Unity 3D从入门到实战》作者。 3197

软件测试面试题之易错题

（1）白盒测试：又称功能功能 测试、数据驱动测试和行为测试，是一种从用户观点出发的测试，被测程序为黑盒子， 通过测试来检测每个功能是否能够正常使用。（2）黑盒测试：又称结构测试和逻辑驱动 测试，是知道产品内部工作过程，通过测试来检测产品内部动作是否按照规格说明书 的规定去正常运行。（1）、测试需求分析；（2）动态白盒测试：需要对各个模块功能、模块间的接口、局部数据结构、主要执行路径、 错误处理等方面的测试。（2） 集成测试所测试的对象是模块间的接口，其目的是在找出在模块接口上面，包括整体体系结构上的问题；

m0_37449634的博客 679

在线教程｜4B参数实现生图+编辑，微软开源Mage-Flow，秒级图像推理至高支持2048分辨率

1、进入 hyper.ai 首页后，选择「教程」页面，或点击「查看更多教程」，选择「Mage-Flow: 高效原生分辨率图像生成与编辑基础模型」，点击「运行此教程」。功能上，Mage-Flow 支持中英文文本生成图像（含文字渲染）、指令式图像编辑（外观、内容、场景、修复），以及 Gradio WebUI 交互式创作。这是一款仅 4B 参数的紧凑型生成模型，通过 Tokenizer-Backbone-System 三位一体的协同设计，在图像生成与指令编辑两大任务上，

HyperAI超神经 258

华为od 面试八股文_Spring_03_含答案

控制反转IOC是一个很大的概念，可以用不同的方式来实现。其主要实现方式有两种：依赖注入和依赖查找依赖注入；

MISAYAONE的博客 2341

教程上新｜4B参数实现生图+编辑，微软开源Mage-Flow，秒级图像推理至高支持2048分辨率

功能上，Mage-Flow 支持中英文文本生成图像（含文字渲染）、指令式图像编辑（外观、内容、场景、修复），以及 Gradio WebUI 交互式创作。这是一款仅 4B 参数的紧凑型生成模型，通过 Tokenizer-Backbone-System 三位一体的协同设计，在图像生成与指令编辑两大任务上，4.等待分配资源，当状态变为「运行中」后，点击「打开工作空间」进入 Jupyter Workspace。1.页面跳转后，点击左侧 README 文件，进入后点击上方 Run（运行），依次执行所有 Cell。

OpenBayes的博客 254

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

2026年开源音视频生成与处理工具盘点：8款值得关注的项目

音视频内容的AI化正在加速：语音克隆、全自动短视频、实时语音Agent、视频生成大模型，一个接一个冒出来。本文盘点8款真实存在的开源/商用工具，按用途分类，标注开源状态、许可证、硬件要求，帮你快速判断哪些值得上手。

chunmiao3032的专栏 297

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

Mage-VL-OptiQ-4bit性能深度测评：70.27分能力得分背后的6大核心指标解析

Mage-VL-OptiQ-4bit是基于Apple Silicon优化的4bit量化视觉语言模型，由mlx-community开发，基于microsoft/Mage-VL底座模型打造，整合Mage-ViT视觉编码器与Qwen3-4B语言模型，实现本地设备上的图像视频理解能力，综合能力得分为70.27分。 ## 核心能力概览 🚀 该模型采用OptiQ混合精度量化技术，语言塔层采用4/8bit

gitblog_00540的博客 452

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

Mage-VL实战手册：三步跑通编解码原生多模态模型的图像视频推理与部署

**Mage-VL** 是微软开源的一个编解码原生的流式多模态基础模型：它以 `Mage-ViT`（从零训练的 Codec-ViT 视觉编码器）+ `Qwen3-4B` 因果解码器为核心，将视频按现代编解码器的方式拆成锚帧（I 帧）与预测帧（P 帧），只把码率高的运动区域喂给大模型，从而把视觉 Token 砍掉 75% 以上、推理提速最高 3.5 倍。如果你正被"长视频 Token 爆炸、流式直播

gitblog_00267的博客 1181

Mage-VL-OptiQ-4bit高级应用：从代码实现到实际场景，解锁多模态模型潜力

Mage-VL-OptiQ-4bit是一款基于Microsoft Mage-VL的4bit量化多模态模型，专为Apple Silicon设备优化，能够在本地高效运行图像和视频理解任务。该模型通过mlx-optiq工具实现混合精度量化，将语言塔压缩至4/8位，视觉塔保持bf16精度，仅需3.7GB磁盘空间即可实现文本、图像和视频的多模态交互。 ## 模型核心优势解析 Mage-VL-OptiQ-

gitblog_00218的博客 1106

Mage-VL快速入门：5分钟学会用单个模型实现图像与视频智能分析

Mage-VL是微软推出的先进多模态模型，能够通过单个模型实现图像与视频的智能分析任务。本文将为你提供一个简单快速的入门指南，帮助你在5分钟内了解如何使用Mage-VL进行图像和视频分析。 ## 什么是Mage-VL Mage-VL是一个功能强大的多模态模型，它能够同时处理图像和视频数据，并进行智能分析。该模型集成了先进的视觉处理和自然语言理解能力，可以应用于多种场景，如内容分析、智能监控、视

gitblog_00013的博客 447

【微软开源】Mage-Flow 深度解读：微软4B参数图像生成与编辑模型，单卡A100仅需0.59秒

Mage-Flow是微软提出的高效图像生成与编辑基础模型，其4B参数规模的紧凑设计通过协同优化的分词器(Mage-VAE)和骨干网络(NR-MMDiT)实现了原生分辨率支持(512-2048任意比例)和系统级效率。模型提供文生图(Mage-Flow)和指令编辑(Mage-Flow-Edit)两大功能，均包含Base、RL对齐和4步Turbo三种变体。相比同类大模型，Mage-Flow在保持竞争力的同时显著降低了计算开销：VAE编解码效率提升12-22倍，训练速度加快2.5倍，单张A100上1024²图像生成

weixin_41446370的博客 540

Mage-VL 实战指南：5 步跑通高效视频理解与流式解说

Mage-VL 是微软开源的 codec-native 流式多模态基础模型，用"让视频编解码器指挥视觉注意力"的思路，把视觉 token 开销砍掉 75% 以上，推理提速最高 3.5 倍。本文以"给一段球赛录像配上自动解说"这一真实任务为主线，带你从环境搭建、首次推理到事件门控流式部署完整走一遍，全程只需一个统一权重文件，适合刚接触视觉语言模型的新手快速落地。 ## 一、先回答一个老问题：为什么

gitblog_00450的博客 916

如何在Apple Silicon上3分钟启动Mage-VL-OptiQ-4bit？超简单部署指南与示例演示

Mage-VL-OptiQ-4bit是一款专为Apple Silicon优化的4位量化视觉语言模型，基于microsoft/Mage-VL构建，能在Mac上本地运行图像和视频理解任务，无需PyTorch和云端支持。该模型采用混合精度量化技术，仅需3.7GB磁盘空间，即可实现高效的多模态AI能力。 ## 🚀 为什么选择Mage-VL-OptiQ-4bit？ ### 核心优势一览 - **极致轻

gitblog_00131的博客 834

Mage-VL 视频理解开发完整指南：从一张图片跑通到直播流部署

Mage-VL 是微软开源的一款「编解码原生的流式多模态大模型」，用一套 4B 权重同时搞定图像理解、长视频理解与事件驱动的实时流式解说，特别适合做视频问答、体育/监控直播摘要、时序定位等场景。它的最大卖点是：不像传统方案那样把视频抽成密集帧堆给 ViT，而是模仿 H.264/HEVC 的 I 帧/P 帧结构，只保留真正有运动信息的视觉 token，推理速度最高可提升约 3.5 倍。本指南沿着「输

gitblog_00066的博客 902

Mage-VL性能深度测评：4B模型如何超越15B大模型的视频理解能力？

Mage-VL是一款原生编解码、主动流式多模态基础模型，专为图像和视频理解设计，其视觉编码器以紧凑的4B规模从零开始训练。它针对VLMs的现代Moravec悖论——在复杂离线推理方面表现强劲，但在简单实时流感知方面速度慢且计算量大。 ## 核心架构：编解码对齐的视觉处理 Mage-VL摒弃了将视频解码为均匀采样帧并通过冻结的网络预训练ViT推送密集补丁令牌网格的传统方法，而是遵循现代视频编解码

gitblog_00807的博客 550

微软技术日报-2026-07-29

信息采集时间：2026-07-29 11:00 (GMT+8)来源：Microsoft 官方博客/文档中心、Microsoft News、Tech Community、Windows Insider 发布说明、中文科技媒体等。

海盗Sharp的博客 670

Mage-VL实战教程：5分钟跑通图像与视频理解，长视频推理快3.5倍的完整指南

Mage-VL 是微软推出的 4B 参数多模态大模型，一个权重文件同时支持**图像理解、视频理解与事件门控的主动流式解说**。它首创"编解码器原生（codec-native）"视觉编码方案：视觉 token 数量减少 75% 以上，在同等精度下实现**最长 3.5 倍**的推理加速。本教程带你用 5 分钟从零跑通它的完整能力，新手也能一次配好环境。 [![Mage-VL多模态大模型封面，展示图像

gitblog_01172的博客 77
上一篇： Kimi-K3 正式开源：前端代码榜第一，只是它最先被看见的能力
下一篇： OpenCSG协办｜交大联合主办，智极松全球AI大赛开放报名，邀AI创新者参与
点赞 3
评论 0
书签 书签 5
OpenCSG
OpenCSG
博客等级 码龄3年 1679粉丝 575原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值