Hugging Face 推出号称“世界上最小的视觉语言模型”SmolVLM-256M

本站 1 月 26 日消息，Hugging Face 发布了两款全新多模态模型SmolVLM-256M和SmolVLM-500M，其中SmolVLM-256M号称是世界上最小的视觉语言模型（Video Language Model）。

据悉，相应模型主要基于 Hugging Face团队去年训练的 80B参数模型蒸馏而成，号称在性能和资源需求之间实现了平衡，官方称 SmolVLM-256M / 500M 两款模型均可“开箱即用”，可以直接部署在transformer MLX和ONNX平台上。

具体技术层面，SmolVLM-256M / 500M 两款模型均采用SigLIP作为图片编码器，使用 SmolLM2作为文本编码器。其中 SmolVLM-256M是目前最小的多模态模型，可以接受任意序列的图片和文本输入并生成文字输出，该模型功能包括描述图片内容、为短视频生成字幕、处理PDF 等。Hugging Face 称由于该模型整体轻巧，可在移动平台轻松运行，仅需不到1GB的GPU显存便可在单张图片上完成推理。

而 SmolVLM-500M针对需要更高性能的场景而设计，Hugging Face称相关模型非常适合部署在企业运营环境中，该模型推理单张图片仅需1.23GB的GPU显存，相对 SmolVLM-256M 虽然负载更大，但推理输出的内容更精准。

本站注意到，两款模型均采用Apache 2.0开源授权，研究团队提供了基于transformer和WebGUI的示例程序。所有模型及其演示已公开便于开发者下载和使用，具体页面可（点此访问）。