别为一动不动的天空付算力——微软用 4B 参数干了 32B 的活

想象一个盯着街道的监控摄像头。画面里，天空 24 小时不动，建筑不动，道路也不动，真正值得看的，可能只是偶尔走过的一个人、一辆车。

但传统视觉模型看视频的方式，是把每一帧都拆成图片，每一帧都生成一大堆 Token，每一帧都完整算一遍——天空也在算，墙面也在算，大量算力花在了"没有变化"的地方。

微软开源的 Mage 模型家族，把这笔账算明白了。整个家族锁死 4B 参数预算，就讲一件事：

把表示能力，花在信号所在的地方。

先看懂 Mage 是什么

Mage 不是单个模型，而是微软定的一条"固定预算"产品线：所有模型都是 4B，分两条路走。

**Mage-VL 负责"看"：图像、视频、文档理解，外加流式视频的实时感知。Mage-Flow 负责"画"**：文生图加自然语言编辑。

7 月 22 日放出 Mage-Flow 权重，7 月 26 日放出 Mage-VL，代码、权重、技术报告全开源。授权也大方：Mage-VL 走 Apache 2.0，Mage-Flow 和 Mage-ViT 走 MIT。

名字也有讲究——Mage，法师。官方封面是一个挥魔杖的巫师，长袍上绣着 MSRA：微软亚洲研究院。

Mage-VL：把视频编码器的智慧搬进大模型

Mage-VL 最核心的一步棋，是问了一个没人认真问过的问题：

为什么看视频要为静止的天空付算力？

老视频编码器几十年前就想通了。H.264/HEVC 里的 I 帧保存完整画面，P 帧只编码"相对上一帧变了什么"。Mage-ViT 把这套 I/P 思想搬了进来：不再给每一帧都发一整版 Token，而是重点编码"哪里变了"。

官方报告的数据：视觉 Token 减少 75% 以上（约为稠密抽帧的 1/8），推理墙钟时间最高快 3.5 倍，省下的预算还能让视频训练长度拉长 8 倍。

更狠的是，Mage-ViT 是从零训练的，不挂在任何现成视觉编码器上，解码端配 Qwen3-4B。同样是 4B 主干，把 Qwen3-VL-4B 的视觉编码器换成 Mage-ViT，官方报告里所有视频与时序定位基准全部反超：QVHighlight +22.5，VSI-Bench +11.0，CrossPoint +53.1。

有事才开口：System 1 / System 2

流式视频才是 Mage-VL 真正的差异化。它给模型装了个"事件门控"：

System 1：一个轻量门控，持续盯着视频流，判断"现在值不值得说话"；System 2：只有门控打开，才启动完整的多模态推理。

监控画面安安静静，System 1 沉默；有人闯入，门控触发，System 2 开口。官方让它去看 2026 年世界杯的真实直播，进球瞬间自动触发解说——在数据集里训练的能力，直接泛化到了真实直播流。

这其实是对 VLM 一个老毛病的正面回应——莫拉维克悖论：模型能做复杂的离线推理，却在"实时看"这件对人类最简单的事上又慢又贵。

Mage-Flow：4 步画一张图，GenEval 0.90

生成这条线，Mage-Flow 的打法是"原生分辨率"。

多数文生图模型训练时把图塞进固定尺寸的桶（512×512、1024×1024），遇到奇怪比例就裁剪缩放。Mage-Flow 的 NR-MMDiT 直接按图片实际尺寸组织 Token 序列，一个 checkpoint 覆盖 512～2048 像素、任意宽高比，连 4:1 的极端比例都吃——横幅、长图、手机壁纸不再将就。

成绩单是重点。GenEval 0.90，是 4B 参数量级第一个摸到这个分数的模型，放在整个开源圈也是第一梯队：

速度上，Turbo 版通过蒸馏把采样压到 4 步：1024×1024 在 A100 上 0.59 秒一张，编辑 1.02 秒一次。显存对比更夸张——编辑侧 Mage-Flow-Edit-Turbo 只要 18.57 GB，而 FLUX.2 Dev 要 179.63 GB，差着近 10 倍。

生成质量之外，中文用户应该关心另一个细节：Mage-Flow 的中文文字渲染相当能打。官方展示图里，"半生烟火"这样的中文书封直接生成，笔画准确——这在国内应用场景是硬通货。

编辑能力是全家桶式的：换背景、改颜色、加删物体、换字体、上色、改画风、语义分割、姿态估计，全部走"图片加一句话"的交互。

代价清醒：三个别忽略的细节

一，它明确说了"仅供研究"。 README 的 Responsible AI 条款写得很清楚：这些模型仅为研究目的发布，不用于产品或服务部署。想直接拿去做线上产品的，先掂量这一条——MIT 许可证不等于商业部署许可。

二，0.59 秒是 A100 的成绩。 Turbo 版峰值显存 18~20 GB，消费级 24GB 显卡能跑但紧张，速度也会打折扣。想复现官方速度，得有数据中心级的卡。

三，对比数据来自官方自测。 GenEval、GEdit 这些分数是微软报告口径，方向可信，但小数点后一位的差距别太当真，等第三方复现再说。

写在最后

这两年大家卷参数卷累了，Mage 给了另一种示范：参数锁死在 4B，把功夫全花在"算力花在哪"上。视频编码器几十年的压缩智慧、生成链路从 VAE 到 DiT 的逐环优化，最后汇成一句话——别为一动不动的天空付算力。

前几天面壁智能用 2B 模型拿下 4B 以下第一，如今微软把 4B 预算锁死来做多模态。参数竞赛的下半场，比的不再是"有多大"，而是同样的预算，你能榨出多少智能。

相关链接：

• GitHub 仓库：https://github.com/microsoft/Mage
• 项目主页：https://microsoft.github.io/Mage/
• Hugging Face 模型合集：https://huggingface.co/collections/microsoft/mage
• Mage-VL 论文：https://arxiv.org/abs/2607.24904
• Mage-Flow 论文：https://arxiv.org/abs/2607.19064