動察 Beating のモニタリングによると、Cohere は現在自社最小の視覚言語モデル「North Micro Vision」をオープンソース化した。パラメータ数はわずか 2.4B で、Apache 2.0 ライセンスを採用している。このモデルは文書、表、グラフ、スクリーンショット、OCR に特化しており、画像を固定サイズに圧縮することなく、元の比率と解像度のまま直接処理できる。
モデルは 2B の言語モデルと 400M の視覚エンコーダーで構成されている。公式テストでは、DocVQA スコアが 92.1% に達し、Ministral 3 3B の 89.6% や Gemma 4 E2B の 73.2% を上回り、Qwen3.5-2B の 92.6% にも迫っている。視覚的位置特定の RefCOCO スコアは 73.2% で、こちらも Ministral や Gemma を明らかに上回っている。
ただし、同サイズで最強のモデルというわけではない。Qwen3.5-2B は、一般的な視覚、OCR、マルチモーダルベンチマークの大半で依然として優位に立っており、North Micro Vision の強みは文書理解と視覚的位置特定に集中している。また、これは推論モデルではなく、ツール呼び出しにも対応しておらず、数学やコードの能力も限定的である。