Hugging Face推出最小AI视觉语言模型

Hugging Face平台于1月23日发布博文，出最推出了两款令人瞩目的小A型轻量级AI模型——SmolVLM-256M-Instruct和SmolVLM-500M-Instruct。

其中，觉语SmolVLM-256M-Instruct仅有2.56亿参数，言模是出最有史以来发布的最小视觉语言模型，可在内存低于1GB的小A型PC上运行并提供卓越性能。SmolVLM-500M-Instruct有5亿参数，觉语主要针对硬件资源限制，言模帮助开发者应对大规模数据分析挑战。出最

这两款模型具备先进的小A型多模态能力，可执行图像描述、觉语短视频分析以及回答关于PDF或科学图表的言模问题等任务。其开发依赖于The 出最Cauldron和Docmatix两个专有数据集。The 小A型Cauldron包含50个高质量图像和文本数据集，侧重于多模态学习；Docmatix专为文档理解定制，觉语将扫描文件与详细标题配对以增强理解。

此外，模型采用了更小的视觉编码器SigLIP base patch-16/512，通过优化图像标记处理方式，减少了冗余，还将图像编码速率提升至每个标记4096像素，相比早期版本的每标记1820像素有了显著改进。

Hugging Face此次推出的最小AI视觉语言模型，为AI在低资源设备上的应用开辟了新的道路。