ModelRadar
/

Mage-VL

Microsoft🇺🇸 USMajor lab· Jul 25, 2026

TextVisionopen weights

Mage-VL combines a from-scratch 4B visual encoder with a Qwen3-4B decoder to process images and video using codec-derived frame sparsity, cutting visual tokens by over 75%. Its dual-process design routes routine content through a lightweight gating mechanism while invoking the full model for event-worthy moments, enabling proactive streaming.

Summary of the model card

License
apache-2.0
Modalities
text, image → text

1 variant

StandardHF

Sources

HuggingFaceBlogPaper
Deutsch

Mage-VL kombiniert einen von Grund auf trainierten visuellen Encoder mit einem Qwen3-4B-Decoder und nutzt zur Verarbeitung von Bildern und Videos codec-abgeleitete Frame-Sparsamkeit, um die Anzahl der visuellen Token um über 75 Prozent zu reduzieren. Das Dual-Process-Design leitet Routineinhalte über eine einfache Gating-Funktion und ruft das Vollmodell bei ereignisrelevanten Momenten auf, wodurch proaktives Streaming moeglich ist.

Benchmarks

BenchmarkDomainValueEvidence
Video-MMEvendor numbermultimodal59.7 % correct81
DocVQAvendor numbervision94.69 ANLS71
AI2Dvendor numbervision81.54 % correct44
ChartQAvendor numbervision83.96 % correct41

Vendor-reported numbers are marked and count with factor 0.7 in rankings. The evidence score says how much a benchmark still tells you today.

Provenance

Detected
Sep 27, 2026
First source
huggingface
Description
Summary of the model card
Editorially reviewed
—