Theo dõi từ Động Sát Beating, Cohere đã mã nguồn mở mô hình thị giác-ngôn ngữ nhỏ nhất hiện tại của mình là North Micro Vision, chỉ có 2,4B tham số, sử dụng giấy phép Apache 2.0. Mô hình này tập trung vào tài liệu, bảng biểu, biểu đồ, ảnh chụp màn hình và OCR, có thể xử lý trực tiếp hình ảnh ở tỷ lệ và độ phân giải gốc mà không cần nén về kích thước cố định trước.
Mô hình bao gồm mô hình ngôn ngữ 2B và bộ mã hóa thị giác 400M. Trong các bài kiểm tra chính thức, điểm DocVQA đạt 92,1%, vượt qua Ministral 3 3B với 89,6% và Gemma 4 E2B với 73,2%, đồng thời rất gần với Qwen3.5-2B ở mức 92,6%. Điểm định vị thị giác RefCOCO đạt 73,2%, cũng cao hơn rõ rệt so với Ministral và Gemma.
Tuy nhiên, đây không phải là mô hình mạnh nhất cùng kích thước. Qwen3.5-2B vẫn mạnh hơn ở hầu hết các tiêu chuẩn thị giác thông dụng, OCR và đa phương thức, lợi thế của North Micro Vision tập trung nhiều hơn vào hiểu tài liệu và định vị thị giác. Nó cũng không phải là mô hình suy luận, không hỗ trợ gọi công cụ, khả năng toán học và lập trình còn hạn chế.
