Cactus Compute 给出一组值得关注的数字：Mirage 视觉语言模型权重仅 22MB，在三星 Galaxy S26 上通过 NPU 完成一次处理需 74 毫秒。它把场景描述、物体检测、OCR（从图片中读取文字）、图像分割和空间关系判断装进一个轻量模型，判断很明确：端侧 AI 的竞争正从“参数越大越好”转向“每次任务能否低成本完成”。
这是什么
Mirage 不是面向聊天场景的大模型，而是一套面向手机、可穿戴设备和机器人的小型视觉模型。它包含 5100 万参数：图像编码器负责理解画面，语言解码器负责输出名称、属性和关系，另有专门模块读取图片文字并定位空间区域。
它的关键设计不是让模型写一篇冗长描述，而是先输出结构化观察结果。实验显示，在 256 道图像问答题上，Qwen3-0.6B 仅凭问题得分为 9.3，加入 Mirage 的结构化记录后升至 31.3，且两个模型都没有额外训练。
行业怎么看
我们认为，最值得关注的是“视觉模型负责观察、文本模型负责推理”这条分工。Mirage 的记录甚至可以充当外部视觉上下文，让文本模型获得原本不具备的图像理解能力，同时把昂贵的模型调用留给真正需要推理的部分。
但风险同样清楚。测试规模只有 128 张图片，评分还混入了 JSON 格式合规因素；Mirage 也曾漏掉滑板。更重要的是，加入视觉记录后，Qwen3-1.7B 从 27.5 升至 31.6，Qwen3-4B 从 33.4 升至 37.3，提升并非对所有模型都稳定。更大模型如果拿不到关键观察，回答仍可能出错。Cactus 团队下一步计划用成对数据微调文本模型，说明当前方案仍是验证阶段，而非通用能力已经成熟。
对普通人的影响
对企业 IT：本地识别图片、文字和物体，可减少把敏感画面上传云端的需要，尤其适合巡检、零售和仓储等场景；不过部署前仍需验证漏检率、格式稳定性和与现有系统的衔接成本。
对个人职场：相机、耳机和机器人可能更快完成取景、识别与摘要，不必每次等待服务器响应。短期内更可能先出现在已有明确任务的设备中，而不是全面替代通用助手。
对消费市场：22MB 级模型降低了离线视觉功能的硬件门槛，也意味着更多设备可以在弱网环境下使用。但它当前的表现更像一条可行技术路线，而不是消费者可以放心购买的全能本地视觉助手。