01.引言
Megrez-3B-Omni是由无问芯穹（Infinigence AI）研发的端侧全模态理解模型，基于无问大语言模型Megrez-3B-Instruct扩展，同时具备图片、文本、音频三种模态数据的理解分析能力，在三个方面均取得最优精度：
- 在图像理解方面，基于SigLip-400M构建图像Token，在OpenCompass榜单上（综合8个主流多模态评测基准）平均得分66.2，超越LLaVA-NeXT-Yi-34B等更大参数规模的模型。Megrez-3B-Omni也是在MME、MMMU、OCRBench等测试集上目前精度最高的图像理解模型之一，在场景理解、OCR等方面具有良好表现。
- 在语言理解方面，Megrez-3B-Omni并未牺牲模型的文本处理能力，综合能力较单模态版本（Megrez-3B-Instruct）精度变化小于2%，保持在C-EVAL、MMLU/MMLU Pro、AlignBench等多个测试集上的最优精度优势，依然取得超越上一代14B模型的能力表现
- 在语音理解方面，采用Qwen2-Audio/whisper-large-v3的Encoder作为语音输入，支持中英文语音输入及多轮对话，支持对输入图片的语音提问，根据语音指令直接响应文本，在多项基准任务上取得了领先的结果
基础信息
Language Module |
Vision Module |
Audio Module |
|
Architecture |
Llama-2 with GQA |
SigLip-SO400M |
Whisper-large-v3 (encoder-only) |
# Params (Backbone) |
2.29B |
0.42B |
0.64B |
Connector |
- |
Cross Attention |
Linear |
# Params (Others) |
Emb: 0.31B Softmax: 0.31B |
Connector: 0.036B |
Connector: 0.003B |
# Params (Total) |
4B |
||
# Vocab Size |
122880 |
64 tokens/slice |
- |
Context length |
4K tokens |
||
Supported languages |
Chinese & English |
||
图片理解能力
Megrez-3B-Omni与其他开源模型在主流图片多模态任务上的性能比较
Megrez-3B-Omni在OpenCompass测试集上表现
模型链接：
https://modelscope.cn/models/InfiniAI/Megrez-3B-Omni
体验链接：
https://modelscope.cn/studios/AI-ModelScope/Megrez-3B-Omni
02.模型体验
数学运算
图片描述
数数
音频理解
03.快速上手
使用魔搭免费算力（单卡A10），完成模型推理实践。
模型下载
魔搭cli下载
modelscope download --model InfiniAI/Megrez-3B-Omni
魔搭python SDK下载
#模型下载 from modelscope import snapshot_download model_dir = snapshot_download('InfiniAI/Megrez-3B-Omni')
模型推理
如下是一个使用transformers进行推理的例子，通过在content字段中分别传入text、image和audio，可以图文/图音等多种模态和模型进行交互。
import torch from modelscope import AutoModelForCausalLM model = ( AutoModelForCausalLM.from_pretrained( "InfiniAI/Megrez-3B-Omni", trust_remote_code=True, torch_dtype=torch.bfloat16, attn_implementation="flash_attention_2", ) .eval() .cuda() ) # Chat with text and image messages = [ { "role": "user", "content": { "text": "Please describe the content of the image.", "image": "./data/sample_image.jpg", }, }, ] # Chat with audio and image messages = [ { "role": "user", "content": { "image": "./data/sample_image.jpg", "audio": "./data/sample_audio.m4a", }, }, ] MAX_NEW_TOKENS = 100 response = model.chat( messages, sampling=False, max_new_tokens=MAX_NEW_TOKENS, temperature=0, ) print(response)
显存占用：
注意事项
- 请将图片尽量在首轮输入以保证推理效果，语音和文本无此限制，可以自由切换
- 语音识别（ASR）场景下，只需要将content['text']修改为“将语音转化为文字。”
- OCR场景下开启采样可能会引入语言模型幻觉导致的文字变化，可考虑关闭采样进行推理（sampling=False），但关闭采样可能引入模型复读
使用vllm模型推理
环境安装
pip install vllm==0.6.3.post1 flash_attn==2.5.8 xformers==0.0.27.post2
注册MegrezO
from vllm import ModelRegistry from megrezo import MegrezOModel ModelRegistry.register_model("MegrezO", MegrezOModel)
推理代码
from PIL import Image from vllm import LLM from vllm import SamplingParams # Load the model. model_path = "{{PATH_TO_HF_PRETRAINED_MODEL}}" # Change this to the path of the model. llm = LLM( model_path, trust_remote_code=True, gpu_memory_utilization=0.5, ) sampling_params = SamplingParams( temperature=0, max_tokens=1000, repetition_penalty=1.2, stop=["<|turn_end|>", "<|eos|>"], ) img = Image.open("../data/sample_image.jpg") conversation = [ { "role": "user", "content": { "text": "图片的内容是什么？", "image": img, }, }, ] # Convert the conversation to vLLM acceptable format. prompt = llm.get_tokenizer().apply_chat_template( conversation, tokenize=False, add_generation_prompt=True, ) vllm_inputs = [ { "prompt": prompt, "multi_modal_data": { "image": img, }, } ] # Generate the outputs. outputs = llm.generate( vllm_inputs, sampling_params, ) # Print the outputs. for output in outputs: print(output.outputs[0].text)
或者直接使用example_infer_vllm.py 运行：
git clone https://github.com/infinigence/Infini-Megrez-Omni.git cd Infini-Megrez-Omni/vllm_demo # 修改模型路径 python example_infer_vllm.py
推理速度：
模型微调
我们使用ms-swift对Megrez-3B-Omni进行微调。ms-swift是魔搭社区官方提供的大模型与多模态大模型微调部署框架。
ms-swift开源地址：
https://github.com/modelscope/ms-swift
在这里，我们将展示可直接运行的demo，并给出自定义数据集的格式。
在开始微调之前，请确保您的环境已准备妥当。
git clone https://github.com/modelscope/ms-swift.git cd ms-swift pip install -e .[llm]
微调脚本：
CUDA_VISIBLE_DEVICES=0 \ swift sft \ --model InfiniAI/Megrez-3B-Omni \ --train_type lora \ --dataset modelscope/coco_2014_caption:validation#20000 \ --num_train_epochs 1 \ --per_device_train_batch_size 1 \ --per_device_eval_batch_size 1 \ --learning_rate 1e-4 \ --lora_rank 8 \ --lora_alpha 32 \ --target_modules all-linear \ --freeze_vit true \ --gradient_accumulation_steps 16 \ --eval_steps 50 \ --save_steps 50 \ --save_total_limit 5 \ --logging_steps 5 \ --max_length 2048 \ --output_dir output \ --warmup_ratio 0.05 \ --dataloader_num_workers 4CUDA_VISIBLE_DEVICES=0 \ swift sft \ --model Shanghai_AI_Laboratory/internlm-xcomposer2d5-ol-7b \ --train_type lora \ --dataset modelscope/coco_2014_caption:validation#20000 \ --num_train_epochs 1 \ --per_device_train_batch_size 1 \ --per_device_eval_batch_size 1 \ --learning_rate 1e-4 \ --lora_rank 8 \ --lora_alpha 32 \ --target_modules all-linear \ --freeze_vit true \ --gradient_accumulation_steps 16 \ --eval_steps 50 \ --save_steps 50 \ --save_total_limit 5 \ --logging_steps 5 \ --max_length 2048 \ --output_dir output \ --warmup_ratio 0.05 \ --dataloader_num_workers 4
自定义数据集格式如下（system字段可选），只需要指定`--dataset `即可：
{"messages": [{"role": "system", "content": "你是个有用无害的助手"}, {"role": "user", "content": "<image>图片中是什么"}, {"role": "assistant", "content": "一个可爱的小猫"}], "images": ["/xxx/x.jpg"]} {"messages": [{"role": "system", "content": "你是个有用无害的助手"}, {"role": "user", "content": "<audio>音频中说了什么"}, {"role": "assistant", "content": "今天的天气真好呀"}], "audios": ["/xxx/x.wav"]} {"messages": [{"role": "user", "content": "<image><audio>"}, {"role": "assistant", "content": "今天天气真好呀，可爱的小猫在草地上奔跑"}], "images": ["/xxx/x.jpg"], "audios": ["/xxx/x.wav"]}
训练显存资源：
训练完成后，使用以下命令对训练后的权重进行推理
这里`--adapters`需要替换成训练生成的last checkpoint文件夹. 由于adapters文件夹中包含了训练的参数文件，因此不需要额外指定`--model`：
# 使用训练时的验证集进行推理 CUDA_VISIBLE_DEVICES=0 \ swift infer \ --adapters output/vx-xxx/checkpoint-xxx \ --stream true \ --load_data_args true
点击阅读原文链接即可跳转体验：https://modelscope.cn/models/InfiniAI/Megrez-3B-Omni
