Microsoft Mage-VL: model wideo 4B z natywną obsługą kodeków, wydany bez zapowiedzi

Nie ma wpisu na blogu Microsoftu na temat Mage-VL. Brak wpisu w centrum informacyjnym Azure, brak pozycji w katalogu Foundry, brak wątku premierowego, nie ma nic na kanałach produktowych, na których Microsoft zwykle prezentuje model. Zamiast tego istnieje repozytorium Hugging Face — microsoft/Mage-VL, sześć commitów, 10,8 GB wag, licencja Apache-2.0 — folder na GitHubie ze skryptami do wnioskowania, strona projektu utrzymywana przez coś, co nazywa się Microsoft Mage Team, oraz raport na arXiv autorstwa 23 osób. Czytane razem, te artefakty opisują model wizyjno-językowy skali 4B, którego główna idea jest naprawdę niezwykła: zamiast dekodować wideo na równomiernie rozmieszczone klatki i przepuszczać gęstą siatkę patchy przez wstępnie wytrenowany na sieci web enkoder, Mage-VL czyta sam skompresowany strumień bitów, używając stworzonego od zera enkodera o nazwie Mage-ViT, aby zatrzymać tylko te patche, na które kodek wydał bity. Microsoft podaje, że zmniejsza to liczbę tokenów wizualnych o ponad 75% i daje nawet 3,5-krotne przyspieszenie względem czasu rzeczywistego, dorównując Qwen3-VL-4B na statycznych obrazach i pokonując własny model Microsoftu, 15B Phi-4-Reasoning-Vision, na wideo.

To ostatnie zdanie należy traktować z dystansem. Każda wartość wydajności w tym artykule pochodzi z własnej publikacji Microsoftu, karty modelu lub strony projektu. Dziesięć dni po pojawieniu się wag żadna niezależna strona nie odtworzyła żadnego z tych wyników, żaden zewnętrzny ranking nie uwzględnia modelu, a — jak jasno stwierdza strona Hugging Face — model „nie jest wdrożony przez żadnego dostawcę wnioskowania", więc nie ma nawet hostowanego endpointu, który można by mimochodem poddać testom porównawczym. To, co następuje, oddziela to, co repozytorium dowodzi, od tego, co Microsoft jedynie twierdzi, ponieważ przy premierze bez zapowiedzi są to bardzo różne kategorie.

Co faktycznie istnieje dziesięć dni później

Zakres weryfikacji tego wydania jest niewielki i warto go dokładnie wyliczyć.

• Wagi z dnia 26 lipca 2026 roku. Dwa shardy safetensors o rozmiarach 4,97 GB i 4,52 GB oraz osobny plik 1,07 GB o nazwie streammind_gate.safetensors. Własny czytnik Hugging Face raportuje 5 mld parametrów przy BF16 — 4 mld w dekoderze językowym, reszta podzielona między enkoder wizualny i tę bramkę.

• Raport techniczny, złożony 27 lipca 2026 r. (arXiv 2607.24904), jedna wersja, 23 autorów, zatytułowany "Mage-VL: An Efficient Codec-Native Streaming Multimodal Foundation Model."

• Wykonywalny kod, nie tylko wagi. Repozytorium zawiera modeling_mage_vl.py, processing_mage_vl.py, dwa procesory wideo, w tym dedykowany codec_video_processing_mage_vl.py, oraz streammind_gate.py — około 175 KB niestandardowego kodu Pythona. Wartość auto_map w config.json kieruje sześć klas Transformers do tych plików, dlatego repozytorium ma tag custom_code.

• Dwie licencje, nie jedna.Mage-VL jest na Apache-2.0; samodzielny enkoder Mage-ViT jest publikowany osobno na MIT.

• Działające demo, którego nie musisz instalować.Microsoft uruchamia microsoft/mage-vl-demo jako Hugging Face Space na ZeroGPU, a dwa społecznościowe Space'y już korzystają z tego modelu.

• Wczesne zainteresowanie społeczności, rozwijające się szybciej niż własne komunikaty producenta. 268 polubień, 435 784 pobrania odnotowane w ostatnim miesiącu, dziewięć kwantyzacji społecznościowych i dwa finetuny w drzewie modelu. Liczniki pobrań obejmują automatyczne pobrania i pobrania z mirrorów, więc traktuj surową liczbę jako sygnał zainteresowania, a nie wdrożenia.

• Model siostrzany.Mage-Flow, model do generowania obrazów z tekstu i edycji na podstawie instrukcji, zbudowany w tym samym stałym budżecie 4B, ukazał się cztery dni wcześniej, 22 lipca. Repozytorium GitHub przedstawia Mage jako „rodzinę lekkich, przyjaznych badaczom modeli multimodalnych”, co jest najbliższym odpowiednikiem deklaracji pozycjonowania, jaką ktokolwiek opublikował.

W zestawieniu z tym lista rzeczy, które nie istnieją, jest równie pouczająca. Nie ma żadnego wpisu na blogu Microsoftu ani komunikatu prasowego. Nie ma żadnej oferty w Azure AI Foundry, co oznacza brak ścieżki wsparcia dla przedsiębiorstw, brak SLA, brak zarządzanego punktu końcowego. Żaden dostawca wnioskowania go nie oferuje. Nie ma wsparcia dla vLLM ani SGLang: prośba społeczności o dodanie Mage-VL do SGLang została złożona 28 lipca jako issue #32646 i w chwili pisania tego tekstu pozostaje otwarta, bez powiązanego pull requesta i bez odpowiedzi opiekuna. Nie ma też żadnej niezależnej oceny — model jest nieobecny na neutralnych listach rankingowych, gdzie twierdzenie takie jak „pokonuje model 15B na wideo” byłoby zwykle testowane.

Jedna myśl: czytaj kodek, nie klatki.

Prawie każdy VLM zdolny do przetwarzania wideo w produkcji robi to samo. Dekoduje wideo na klatki RGB, próbkuje je równomiernie — jedną na sekundę, albo 32 w całym klipie, lub tyle, na ile pozwala budżet — i przepuszcza każdą próbkowaną klatkę przez transformer wizyjny jako gęstą siatkę patchy. Każdy patch każdej próbkowanej klatki staje się tokenami. Statyczna ściana w tle kosztuje dokładnie tyle tokenów, co osoba przechodząca przed nią, i kosztuje je ponownie w następnej klatce, i w kolejnej.

To ogromna ilość zbędnych obliczeń, a nowoczesne kodeki wideo rozwiązały ten leżący u podłoża problem już dziesiątki lat temu. H.264 i HEVC nie przechowują każdej klatki; zapisują co jakiś czas pełne klatki odniesienia (I), a klatki między nimi opisują za pomocą wektorów ruchu i residuów — „ten blok przesunął się tutaj, a oto, co się zmieniło”. Interesujące fragmenty wideo to, niemal z definicji, te części, na które enkoder wydał bity.

Mage-ViT wykorzystuje to bezpośrednio. Działając na poziomie ziarnistości patchy 16×16, zachowuje każdy patch klatek odniesienia, a w przypadku klatek przewidywanych zatrzymuje tylko te patche, które zostały oznaczone jako istotne przez wektory ruchu i energię resztową samego kodeka — czyli regiony niosące rzeczywiste informacje, ruch lub zmianę sceny — odrzucając jednocześnie te o niskiej i całkowitej redundancji. Microsoft szacuje wynikową redukcję na ponad 75% tokenów wizualnych, przy zachowaniu kontekstu czasoprzestrzennego, ponieważ klatki odniesienia nadal niosą pełną scenę. Projekt jest niezależny od kodeka: ścieżka tradycyjna akceptuje H.264 lub HEVC, a ścieżka neuronowa akceptuje DCVC-RT.

Elegancja polega na tym, że estymacja ruchu została już wykonana. Każdy skompresowany film w internecie dociera z mapą miejsc, w których dzieje się akcja, obliczoną przez enkoder i opłaconą przez tego, kto go wgrał. Konwencjonalny potok odrzuca tę mapę w chwili, gdy dekoduje do RGB, a potem spędza czas GPU na ponownym odkrywaniu tych samych informacji. Mage-VL po prostu odmawia jej wyrzucenia. Niezależnie od tego, czy wyniki benchmarków się utrzymają, ta obserwacja jest trwałym wkładem — i to dlatego to wydanie warto przeczytać, nawet jeśli nigdy nie pobierzesz wag.

Najczystsza rzecz w tym eksperymencie

W konfiguracji ukryta jest decyzja projektowa, która sprawia, że wyniki są znacznie łatwiejsze do zinterpretowania niż w przypadku typowej premiery modelu, a prawie nikt relacjonujący tę premierę nie zwrócił na to uwagi: model językowy pozostaje niezmienny.

Dekoder Mage-VL to Qwen3-4B-Instruct-2507, niemodyfikowany. Linia bazowa porównania, Qwen3-VL-4B, wykorzystuje ten sam szkielet Qwen3 4B z konwencjonalnym enkoderem wizualnym pretrenowanym na danych internetowych. Więc gdy Mage-VL osiąga lepsze wyniki niż Qwen3-VL-4B, różnica wynika z enkodera i tokenizacji natywnej dla kodeka, a nie z większego lub lepiej wytrenowanego modelu językowego. To kontrolowana ablacja przebrana za porównanie produktów i jest to najmocniejsza cecha metodologiczna tego wydania.

To działa też w drugą stronę, a uczciwość nakazuje to przyznać. Porównanie na tym samym backbone'u jest najuczciwszym testem pomysłu enkodera i jednocześnie ujęciem, które najpewniej wyjdzie mu na korzyść — Microsoft wybrał punkt odniesienia izolujący jego własny wkład. Porównania Phi-4 nie mają tej właściwości: Phi-4-Reasoning-Vision-15B i Phi-4-MM-5.6B to różne backbony, różne schematy treningu, różny post-training. „Pokonuje nasz model 15B na wideo" to prawdziwy wynik, ale znacznie luźniejszy, a także porównanie z wcześniejszą pracą samego Microsoftu — a takie najłatwiej wygrać.

Skala treningu to kolejny obszar, w którym artykuł wysuwa naprawdę zaskakujące twierdzenie. Mage-ViT był wstępnie trenowany od zera na około 560 mln nieoznakowanych obrazów i 100 mln nieoznakowanych klatek wideo — to duży korpus w ujęciu bezwzględnym, ale znacznie ustępujący wielomiliardowym, starannie dobranym parom obraz-tekst, na których opierają się konkurujące z nim enkodery. Pierwszym z przedstawionych wniosków jest to, że silny enkoder VLM nie wymaga nadzorowanych danych na skalę internetu. Jeśli to twierdzenie utrzyma się po niezależnej weryfikacji, będzie miało znacznie większe znaczenie niż jakikolwiek pojedynczy wiersz w benchmarku.

Liczby i czyje to liczby

To, co następuje, jest w całości raportowane przez Microsoft, na własnym środowisku testowym Microsoftu, względem punktów odniesienia wybranych przez Microsoft. Nic z tego nie zostało powtórzone przez stronę trzecią. Potraktuj to jako hipotezę z niezwykle precyzyjnymi słupkami błędów, a nie jako tablicę wyników.

• Video-MME — Mage-VL-4B 64,0 kontra Qwen3-VL-4B 59,7 kontra Phi-4-Reasoning-Vision-15B 55,3

• NExT-QA — 83.1 vs 79.8 vs 69.0

• LongVideoBench — 61.3 vs 57.7 vs 51.2

• VideoEval-Pro — 45.2 vs 20.7 dla Phi-4

• Timelens-QVHighlight (lokalizacja czasowa) — 57.4 vs 34.9 vs 11.6

• Ref-DAVIS17 (śledzenie referencyjne) — 25.83 vs 7.48 vs 2.15

• DocVQA-val — 95.14 vs 94.69 vs 92.79 (Phi-4-MM-5.6B)

• OCRBench — 81.80 vs 81.60 vs 81.70

• ChartQA — 84,88 vs 83,96 vs 83,40

• MMStar — 67,32 vs 62,04 vs 59,63

• RealWorldQA — 70.46 vs 70.85 vs 70.72, jeden z wierszy, w których przegrywa Mage-VL

• MMBench-EN-dev — 84.02 vs 83.25, z Phi-4-Reasoning-Vision-15B wyprzedzającym oba z wynikiem 84.19

• CV-Bench-3D / CV-Bench-2D — 94.75 vs 92.30 oraz 82.13 vs 81.00

• EmbSpatial — 82,67 kontra 77,50

• OVO-Bench (streaming) — 64,00 ogółem, opisywany jako najnowocześniejszy wśród architektur strumieniowych; podzbiór percepcji wizualnej w czasie rzeczywistym osiąga średnio 79,84% w porównaniu z 72,8% dla Qwen3-VL-4B, przy 1 fps

• Mage-ViT jako samodzielny enkoder — ponad 86,3% na ImageNet przy budżecie 676 tokenów, ponad 96,1% na Food-101

Trzy odczyty tej tabeli są warte więcej niż sama tabela.

W przypadku obrazów uczciwym słowem jest »równorzędność«. DocVQA o 0,45, OCRBench o 0,20, ChartQA o 0,92, MMBench o 0,77 — to wartości z zakresu, w którym inny szablon promptu lub seed dekodowania mógłby odwrócić kolejność, a RealWorldQA faktycznie trafia do Qwen3-VL-4B. Microsoft twierdzi to samo, przedstawiając wydajność na obrazach jako równorzędność, a nie zwycięstwo, i to ujęcie jest poprawne. Jeśli Twoje zadania to odpowiadanie na pytania dotyczące dokumentów i obrazów, to wydanie nie daje Ci żadnego powodu do przejścia.

W przypadku wideo i ugruntowania czasowego rozbieżności są duże i spójne.Timelens-QVHighlight niemal podwaja wynik bazowy; Video-MME, NExT-QA i LongVideoBench przesuwają się o 3,6 do 4,3 punktu w tym samym kierunku przy stałym szkielecie. Spójność między benchmarkami, które testują różne aspekty, to wzorzec, jakiego można oczekiwać, jeśli zmiana enkodera jest realna, a nie artefaktem dostrajania.

Nie należy przytaczać dwóch wierszy bez kontekstu. Ref-DAVIS17 z wynikiem 25.83 wobec 7.48 wygląda jak 3.5x demolka, a najważniejsze przestrzenne delty w artykule to +11.0 na VSI-Bench i +53.1 na CrossPoint. Gdy model bazowy osiąga wynik blisko dolnej granicy w danym zadaniu, delta mierzy przede wszystkim to, który model został wytrenowany do rozumienia formatu zadania — a nie to, który model jest bardziej zdolny. Ta sama ostrożność dotyczy wyników strumieniowych w ujęciu bezwzględnym: na SoccerNet raportowane wartości Mage-VL to 55.54 TimVal, 83.14 ROC-AUC i F1 na poziomie 16.35. F1 równe 16.35 to wynik state-of-the-art w młodej ewaluacji, a nie rozwiązany problem. Proaktywna percepcja strumieniowa jest na wczesnym etapie, a bezwzględny wynik lidera o tym świadczy.

Bramka: model, który decyduje, kiedy mówić

Druga idea architektoniczna ma najjaśniejsze implikacje dla produktu i wyjaśnia ten tajemniczy plik o rozmiarze 1.07 GB.

Mage-VL dzieli streaming na dwa procesy, przedstawione w artykule jako System 1 i System 2. System 1 to lekka „bramka poznawcza” (cognition gate), która obserwuje każde przesuwne okno cech codec i szacuje prawdopodobieństwo, że właśnie zakończyło się coś, o czym warto mówić. Poniżej progu pozostaje cicha, a kosztowna część modelu nigdy nie jest uruchamiana. Powyżej progu wywoływany jest pełny dekoder, aby wygenerować odpowiedź. Konfiguracja demo używa 30-sekundowych okien przyczynowych przy 1 fps, CLI udostępnia próg bezpośrednio jako --gate_threshold, a punkt wejścia streamingu przetwarza wideo segment po segmencie (inference_streaming.py --video_backend codec --segment_sec 8). Tylko bramka jest trenowana w końcowym etapie na 3,35 miliona próbek strumieniowych.

Warto zwrócić uwagę na dwie rzeczy. Po pierwsze, bramka nie jest małą głowicą klasyfikacyjną doczepioną na wierzchu: 1,07 GB wag BF16 to mniej więcej pół miliarda parametrów — pełnoprawny model sam w sobie, udostępniany jako osobny checkpoint. Po drugie, nazwa pliku to streammind_gate.safetensors — nazewnictwo sugeruje, że komponent ten wywodzi się z wcześniejszych prac nad streaming-perception, a nie powstał specjalnie na potrzeby tego artykułu, choć samo repozytorium nie opisuje tego rodowodu wprost.

Dlaczego ma to znaczenie komercyjne: w przypadku wideo działającego nieprzerwanie dominującym kosztem nie jest opóźnienie pojedynczego wywołania, lecz częstotliwość wywołań. Strumień z kamery przepuszczany 24/7 przez konwencjonalny VLM przy 1 klatce na sekundę oznacza 86 400 przepustów w przód dziennie, niezależnie od tego, czy coś się wydarzyło. Bramka, która milczy podczas 99% nagrania, gdy nic się nie dzieje, zmienia kształt tego rachunku, a nie tylko jego wysokość. To, czy bramka Microsoftu jest wystarczająco dokładna, by powierzyć jej tę decyzję, jest dokładnie tym, czego nikt poza laboratorium nie testował.

Czy naprawdę możesz to dzisiaj uruchomić?

Tak, jeśli masz GPU i cierpliwość. Trudności są realne i dotyczą głównie potoku wideo, a nie modelu.

Pamięć. Microsoft nie publikuje wymagań dotyczących pamięci VRAM. Z indeksu wag: 9,49 GB fragmentów plus 1,07 GB bramki to około 10,6 GB parametrów BF16, więc karta 16 GB to realistyczne minimum do pracy z obrazami, a 24 GB lub więcej to rozsądny cel, gdy dodasz pamięć podręczną KV dla długich filmów lub okna strumieniowego. To arytmetyka oparta na rozmiarach plików, a nie specyfikacja producenta — zmierz, zanim wdrożysz.

Własny kod jest obowiązkowy.auto_map wskazuje każdy punkt wejścia Transformers na własne moduły repozytorium, więc wymagane jest trust_remote_code. Wykonujesz kod Pythona od Microsoftu, a nie tylko ładujesz tensory. Nie ma jeszcze ścieżki vLLM ani SGLang, co oznacza brak paged attention, brak continuous batching, brak produkcyjnego stosu serwowania — to znacząca luka, jeśli miałeś nadzieję umieścić to za punktem końcowym.

Ścieżka kodeka wymaga narzędzi systemowych. FFmpeg i ffprobe muszą znajdować się w PATH. Tradycyjny backend kodeka zależy od pakietu codec-video-prep, który dostarcza krok cv-preinfer; ścieżka neuronowa wymaga DCVC-RT; backend zwykłych klatek wymaga Decord. Wymagania pociągają też za sobą flash-attn i mamba-ssm, które kompilują rozszerzenia CUDA — najpierw zainstaluj build PyTorch zgodny z Twoim zestawem narzędzi lub zarezerwuj sobie popołudnie na kompilację.

To, co ci mówi konfiguracja, a czego karta nie robi.Maksymalna liczba osadzeń pozycyjnych to 262 144, więc dekoder dziedziczy długi kontekst Qwen3-4B. Strona wizyjna działa na wejściu o rozdzielczości 448 pikseli z łatami 16×16, 24-warstwowym enkoderem o ukrytym wymiarze 1024, scalaniem przestrzennym 2×2, jednym tokenem na sekundę wideo i oknem czterech klatek. W trzecim etapie trening osiągnął długość czasową 384 klatek. Sufit 262K to nie to samo co 262K zweryfikowanego zachowania, a 384 klatki to długość, jaką model faktycznie nauczono obsługiwać.

Znane niedociągnięcia. Otwarta dyskusja w repozytorium, utworzona 4 sierpnia i wciąż bez odpowiedzi, zgłasza niedopasowanie tokenów, gdy obrazy i filmy są przekazywane w tym samym żądaniu. Dziesięciodniowe oprogramowanie zachowuje się jak dziesięciodniowe oprogramowanie. Jeśli chcesz to zobaczyć bez tego wszystkiego, Space prowadzona przez Microsoft na ZeroGPU jest opcją bez instalacji.

Linia licencji jest mniej prosta niż "Apache-2.0"

Karta modelu podaje Apache-2.0. Enkoder Mage-ViT podaje MIT. Obie licencje są mniej więcej tak permisywne, jak to tylko możliwe w przypadku otwartych wag. Ale repozytorium rodziny modeli stwierdza, że „modele te są udostępniane wyłącznie do celów badawczych”, z naciskiem na przegląd odpowiedzialnej AI i nadzór człowieka — i to zdanie źle współgra z licencją Apache-2.0, która nie ogranicza wykorzystania komercyjnego. Do tego dochodzą zależności: DCVC-RT i narzędzia do przygotowania kodeka mają własne warunki, niezależne od warunków modelu.

Dla projektu hobbystycznego to szum. Dla czegokolwiek, co trafia do klientów, jest to rodzaj dwuznaczności, która powinna trafić do radcy prawnego, zanim trafi do produkcji, oraz rodzaj pytania, które warto zadać na samym repo — gdzie, co istotne, obecnie żaden przedstawiciel Microsoftu nie odpowiada.

Czy powinieneś na tym budować?

Decyzja dzieli się wyraźnie wzdłuż jednej linii: czy twój problem jest strumieniem, czy żądaniem.

{{1}}Jeśli prowadzisz percepcję działającą bez przerwy — strumień z kamery, transmisję na żywo, pole widzenia robota, godzinne spotkanie — Mage-VL jest skierowany dokładnie do Ciebie, a ekonomia self-hostingu przemawia za Tobą.{{/1}} {{2}}Cena API za token rośnie wraz z liczbą klatek, co jest bezlitosnym modelem dla ciągłego wideo;{{/2}} {{3}}model 4B na własnym sprzęcie z bramką, która milczy przez nagrania bez zdarzeń, to zasadniczo inna krzywa kosztów.{{/3}} {{4}}Haczyk polega na tym, że zgłaszasz się też na ochotnika, by być pierwszą osobą poza Microsoftem, która przekona się, czy osąd bramki jest cokolwiek wart.{{/4}}

Jeśli twój problem ma postać zapytania — użytkownik przesyła dokument, PDF, zrzut ekranu, krótki klip i oczekuje odpowiedzi — sprawa wygląda znacznie słabiej. Właśnie w tych zadaniach Mage-VL dorównuje modelowi, który i tak musiałbyś hostować samodzielnie, a hostowane multimodalne punkty końcowe są na wyciągnięcie jednego wywołania API — bez GPU, bez kompilacji ffmpeg i bez trust_remote_code. Na OrcaRouter, Gemini 3.6 Flashkosztuje 1,50 USD za milion tokenów wejściowych i 7,50 USD za milion tokenów wyjściowych, co jest ceną listową dostawcy przekazaną wprost — nie doliczamy żadnej marży, więc gdy dostawca obniża ceny, obniżka u nas jest aktywna tego samego dnia, a nie po przeglądzie cen. Jeden klucz daje dostęp do ponad 200 modeli z automatycznym przełączaniem awaryjnym, gdy jakość dostawcy spada, co jest praktycznym powodem, aby domyślnie korzystać z hostowanego punktu końcowego, a self-hosting zarezerwować dla obciążeń, które naprawdę tego potrzebują.

Mówiąc wprost, bo to rozróżnienie ma znaczenie: nie hostujemy Mage-VL i nikt inny też go nie hostuje. Strona modelu w Hugging Face podaje, że żaden dostawca inferencji go nie wdrożył. Dziś uruchomienie go oznacza uruchomienie go na własną rękę.

Co zmieniłoby ten odczyt?

Cztery rzeczy, w przybliżonej kolejności według tego, jak bardzo miałyby znaczenie.

Najważniejsza jest niezależna ewaluacja. Każda z powyższych liczb to tylko twierdzenie, a twierdzeniem, które najbardziej wymaga sprawdzenia, nie jest wynik benchmarku, lecz 3,5-krotne przyspieszenie, zmierzone względem równomiernego próbkowania klatek w zbiorze NExT-QA, bez opublikowanych informacji o sprzęcie, rozdzielczości ani liczbie klatek. Przetwarzanie wstępne kodeka przenosi rzeczywistą pracę na procesor i do ffmpeg; wygrana w czasie wall-clock zmierzona end-to-end na czyimś sprzęcie to jedyna wersja tej liczby, którą warto uwzględnić w planach.

Po drugie, wsparcie serwowania. Zintegrowana implementacja vLLM lub SGLang przekształciłaby to z badawczego checkpointu w coś, co można postawić za load balancerem. Zgłoszenie SGLang jest otwarte i nieprzypisane; to jest wątek, który warto obserwować.

Po trzecie, umieszczenie na liście w Azure AI Foundry, co sygnalizowałoby, że Microsoft traktuje to jako produkt, a nie jako artykuł naukowy. Nic w obecnej wersji nie sugeruje, że to nastąpi wkrótce.

Po czwarte, i co najdziwniejsze: czy Microsoft kiedykolwiek cokolwiek powie. Raport techniczny autorstwa 23 osób, utrzymywana strona projektu, hostowane demo Space i siostrzany model generatywny opublikowany cztery dni wcześniej nie opisują wycieku ani wypadku — opisują celową publikację badawczą, która całkowicie pominęła produktowy megafon. Społeczność i tak wypełniła ciszę, tworząc dziewięć kwantyzacji i dwa finetune'y w ciągu dziesięciu dni.

Dla większości zespołów właściwym posunięciem jest przeczytanie artykułu, a nie pobieranie wag. Idea natywna dla kodeka jest najważniejszym wnioskiem i jest przenośna: jeśli ponowne wykorzystanie wektorów ruchu już obliczonych przez enkoder faktycznie daje 75% redukcji tokenów przy tej samej dokładności, ta technika pojawi się w modelach z ogłoszeniami premierowymi, wsparciem dostawców i powtarzalnymi benchmarkami. Jeśli dziś przetwarzasz ciągłe wideo, rachunek jest inny — sklonuj repozytorium, przepuść własne klipy przez oba backendy i sam zmierz przyspieszenie, bo w tej chwili byłbyś pierwszy.

Pytania, które naprawdę warto zadać

Czy Mage-VL to po prostu Qwen3-VL z etykietą Microsoftu?

Nie, choć zamieszanie jest zrozumiałe. Dekoder języka to Qwen3-4B-Instruct-2507, użyty bez zmian — Microsoft nie trenował nowego LLM-a. Wszystko inne jest nowe: Mage-ViT został pretrenowany od zera, tokenizacja natywna dla kodeka nie ma odpowiednika w Qwen3-VL, a brama streamingowa to dodatkowy model o pół miliarda parametrów. Ponowne wykorzystanie otwartego backbone'u i wymiana wizualnego front-endu to uzasadniona i coraz powszechniejsza strategia badawcza, która w tym przypadku sprawia też, że porównanie bezpośrednie jest interpretowalne. Jeśli masz wymogi zgodności dotyczące pochodzenia modelu, pamiętaj, że rodowód prowadzi przez wagi Qwen3 firmy Alibaba i sprawdź obie licencje.

Czy „3,5x szybciej” oznacza 3,5x taniej w obsłudze?

Nie niezawodnie. Liczba ta to przyspieszenie względem zegara ściennego na NExT-QA w porównaniu z równomiernym próbkowaniem klatek, a Microsoft określa je jako „do”. W praktyce dwie rzeczy je osłabiają. Inferencja natywna dla kodeka wymaga przebiegu przygotowawczego — ffmpeg, ffprobe oraz krok cv-preinfer, albo ponowne kodowanie DCVC-RT dla ścieżki neuronowej — co pochłania czas procesora, którego naiwny potok klatek nie wymaga i który nie pojawia się w pomiarze po stronie GPU. Zysk wynika z redukcji tokenów, więc skaluje się z redundancją materiału: w większości statyczna kamera bezpieczeństwa powinna wypaść lepiej niż podana liczba, podczas gdy szybko montowany film, w którym zmienia się prawie każdy fragment, powinien wypaść gorzej. Zmierz to na własnych klipach.

Czy potrzebuję specjalnych plików wideo, aby korzystać ze ścieżki kodeka?

Przeważnie nie, i to jest miła niespodzianka. Zwykłe pliki MP4 są już zakodowane w H.264 lub HEVC, czyli dokładnie w tym, co konsumuje tradycyjny backend kodeków — wektory ruchu, których potrzebuje, znajdują się w pliku, który już masz. To, co musisz dodać, to narzędzia: FFmpeg i ffprobe w PATH, oraz pakiet przygotowania kodeka. Backend neuronowy jest wyjątkiem; DCVC-RT oczekuje wideo zakodowanego tym kodekiem, więc musiałbyś dokonać ponownego kodowania. A backend zwykłych klatek pozostaje dostępny jako fallback, który działa jak każdy inny VLM, co jest też uczciwym sposobem na samodzielne przetestowanie twierdzenia o kodeku metodą A/B.

Czy mogę używać tego komercyjnie?

Licencja to Apache-2.0, która pozwala na użycie komercyjne, modyfikacje i redystrybucję. Repozytorium podaje również, że modele są „udostępnione wyłącznie w celach badawczych”. Te dwa stwierdzenia są rozbieżne i nikt z Microsoftu nie wyjaśnił tej rozbieżności — co, przy wydaniu bez ogłoszenia, bez wpisu do katalogu produktów i bez obecności dostawcy w dyskusjach repozytorium, nie jest zaskakujące. Jeśli od odpowiedzi zależą pieniądze, poproś prawnika, aby przeczytał oba dokumenty oraz licencje zależności, zamiast ufać wyłącznie plakietce licencji.