Bagel 微调版一个模型搞定检测、OCR、深度图与分割
mostlyired12 · reddit · 2026-09-27
SenseNova-Vision-7B-MoT 是字节 Bagel 的微调模型，总参数 14B、激活 7B。它把四大视觉任务塞进一个模型：
- 检测框和 OCR 以带坐标的纯文本返回；深度图和掩码则以生成的图像输出。
- 论文自选对比集中，该模型在目标检测和 OCR 上排名第一（OCR 一项并列），深度任务全面超过 Depth Anything V2，但多数深度基准仍落后 MoGe-2，掩码任务也多输给专用分割模型。
本地部署门槛高：README 唯一验证过的配置是一张 80GB A800，小显存卡未验证；没有 GGUF，llama.cpp 也尚不支持 Bagel。权重为非商用许可（尽管 Bagel 本体是 Apache 2.0）。作者提问：若有 GGUF 能跑进 24GB，你会用一个模型全包，还是继续用 Depth Anything + SAM + 小 VLM 的组合？
「模型」频道最新
- 百度首次用 RSI 自动优化文心推理,昆仑芯出字速度提升 6.24 倍 — xiaohu · 2026-11-11
- 百度 ECHO 多 token 预测:复用最后一层打草稿,一次核对出多字 — xiaohu · 2026-11-11
- 文心 5.5 Flash Preview 架构拆解:280B 参数每 token 仅激活 14B — xiaohu · 2026-11-11
- 文心 5.5 纯 Python 逐帧画出 117 秒《鹈鹕测试》,还能卡鼓点剪辑 — xiaohu · 2026-11-11
- 百度开源文心 5.5 Flash Preview:连写 11 小时代码做出武侠游戏 — xiaohu · 2026-11-11
- 3.5万个 Grok 生成应用裸奔泄露患者数据与明文密码 — The Decoder · 2026-11-11