Modelo multimodal compacto de Microsoft para entender imágenes, documentos y vídeo, incluido vídeo en directo, con un codificador visual entrenado desde cero.
Según Microsoft, aprovecha cómo comprimen los códecs de vídeo para procesar solo las zonas que cambian, lo que reduce más de un 75 % los datos visuales y acelera la respuesta hasta 3,5 veces; además puede comentar un vídeo en directo por iniciativa propia cuando ocurre algo relevante.
Pesos abiertos en Hugging Face con licencia Apache 2.0, junto a su codificador visual Mage-ViT. Es la base de Mage-VL-Cowork, que tiene su propia ficha en Modelos al día.
Codificador visual Mage-ViT entrenado desde cero y Qwen3-4B como modelo de lenguaje. Admite imágenes y vídeos cortos, largos y en streaming.
