Hugging Face平臺近期在科技界掀起波瀾，發(fā)布了一款名為SmolVLM的AI視覺語言模型（VLM），這款模型以其精簡的20億參數設計，專為設備端推理打造，憑借超低的內存占用，在眾多同類模型中獨樹一幟。
SmolVLM AI模型的核心優(yōu)勢在于其小巧的體積、驚人的處理速度以及高效的內存利用。更重要的是，該模型完全開源，所有相關的模型檢查點、VLM數據集、訓練配方和工具，均在Apache 2.0許可證下向公眾開放。
SmolVLM提供了三個版本以滿足不同需求：SmolVLM-Base，適用于下游任務的微調；SmolVLM-Synthetic，基于合成數據進行微調；以及SmolVLM-Instruct，這是一個指令微調版本，可直接應用于交互式應用中。
該模型在架構設計上的巧妙之處，是其借鑒了Idefics3的理念，并采用了SmolLM2 1.7B作為語言主干。通過創(chuàng)新的像素混洗策略，SmolVLM將視覺信息的壓縮率提升了9倍，從而實現了更高效的視覺信息處理。
在訓練數據集方面，SmolVLM涵蓋了Cauldron和Docmatix，并對SmolLM2進行了上下文擴展，使其能夠處理更長的文本序列和多張圖像。這一優(yōu)化不僅提升了模型的性能，還有效降低了內存占用，解決了大型模型在普通設備上運行緩慢甚至無法運行的問題。
在內存使用方面，SmolVLM展現出了卓越的能力。它將384x384像素的圖像塊編碼為81個tokens，這意味著在相同的測試圖片下，SmolVLM僅需使用1200個tokens，而相比之下，Qwen2-VL則需要1.6萬個tokens。這一顯著的內存節(jié)省，使得SmolVLM在設備端推理上更具優(yōu)勢。
在性能表現上，SmolVLM同樣令人矚目。它在多個基準測試中，如MMMU、MathVista、MMStar、DocVQA和TextVQA等，均展現出了出色的處理能力。與Qwen2-VL相比，SmolVLM在預填充吞吐量上快了3.3到4.5倍，而在生成吞吐量上更是快了7.5到16倍。
這款創(chuàng)新模型的發(fā)布，無疑為AI視覺語言模型領域帶來了新的活力和可能性。隨著SmolVLM的廣泛應用和深入發(fā)展，我們有理由期待它在未來能夠發(fā)揮更大的作用，為人工智能技術的發(fā)展貢獻更多的力量。
