1 月 26 日消息，Hugging Face 發布了兩款全新多模態模型SmolVLM-256M和SmolVLM-500M，其中SmolVLM-256M號稱是世界上最小的視覺語言模型（Video Language Model）。vDQ28資訊網——每日最新資訊28at.com

vDQ28資訊網——每日最新資訊28at.com

據悉，相應模型主要基于 Hugging Face團隊去年訓練的 80B參數模型蒸餾而成，號稱在性能和資源需求之間實現了平衡，官方稱 SmolVLM-256M / 500M 兩款模型均可“開箱即用”，可以直接部署在transformer MLX和ONNX平臺上。vDQ28資訊網——每日最新資訊28at.com

vDQ28資訊網——每日最新資訊28at.com

具體技術層面，SmolVLM-256M / 500M 兩款模型均采用SigLIP作為圖片編碼器，使用 SmolLM2作為文本編碼器。其中 SmolVLM-256M是目前最小的多模態模型，可以接受任意序列的圖片和文本輸入并生成文字輸出，該模型功能包括描述圖片內容、為短視頻生成字幕、處理PDF 等。Hugging Face 稱由于該模型整體輕巧，可在移動平臺輕松運行，僅需不到1GB的GPU顯存便可在單張圖片上完成推理。vDQ28資訊網——每日最新資訊28at.com

而 SmolVLM-500M針對需要更高性能的場景而設計，Hugging Face稱相關模型非常適合部署在企業運營環境中，該模型推理單張圖片僅需1.23GB的GPU顯存，相對 SmolVLM-256M 雖然負載更大，但推理輸出的內容更精準。vDQ28資訊網——每日最新資訊28at.com

vDQ28資訊網——每日最新資訊28at.com

注意到，兩款模型均采用Apache 2.0開源授權，研究團隊提供了基于transformer和WebGUI的示例程序。所有模型及其演示已公開便于開發者下載和使用，具體頁面可（點此訪問）。vDQ28資訊網——每日最新資訊28at.com

本文鏈接：http://www.rrqrq.com/showinfo-45-10215-0.htmlHugging Face 推出號稱“世界上最小的視覺語言模型”SmolVLM-256M

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：[email protected]

上一篇： 谷歌希望更多人、行業了解 AI，力求塑造公眾認知

下一篇： 百川智能上線開源全模態模型 Omni-1.5，號稱多項能力超越 GPT-4o mini