Hugging Face发布微型视觉语言模型SmolVLM-256M，开创AI技术新纪元

AI震撼，微观力量：256M微型视觉语言模型登场

　　 1月26日消息，HuggingFace近日推出了两款全新的多模态模型SmolVLM-256M和SmolVLM-500M。其中，SmolVLM-256M被誉为全球最小的视觉语言模型（Visual Language Model）。

　　 据悉，该模型主要源自HuggingFace团队去年训练的80B参数模型蒸馏而来，据称在性能和资源需求之间达到了良好的平衡。官方表示，SmolVLM-256M和500M这两款模型都可以“开箱即用”，能够直接部署在TransformerMLX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。

　　 SmolVLM-500M 模型因其出色的性能而备受瞩目，特别适合在企业运营环境中部署。据 HuggingFace 表示，尽管与 SmolVLM-256M 相比，SmolVLM-500M 在处理单张图片时需要更多的 GPU 显存（1.23GB），但它在推理输出方面的准确性显著提升。这一改进无疑为企业提供了更为精确的图像分析工具，从而可能带来更高的业务效率和决策质量。不过，企业在选择使用这类高性能模型时也应考虑其对计算资源的需求，以确保系统的稳定性和经济性。 这种技术进步体现了人工智能领域持续优化的趋势，尤其是在深度学习模型的精度和效率方面。对于依赖图像识别技术的企业来说，这无疑是一个值得期待的发展方向，同时也提醒我们关注计算资源的有效管理。

　　 注意到，两款模型均遵循Apache2.0开源协议，研究团队提供了基于Transformer架构和WebGUI的示例代码。所有模型及其实例演示均已公开，方便开发者进行下载和使用，详情页面请点击此处查看。