近日，Hugging Face 推出了两款创新的多模态模型——SmolVLM-256M和SmolVLM-500M，这两款模型在视觉与语言处理领域引起了广泛关注。其中，SmolVLM-256M更是被誉为全球最小的视觉语言模型，这一突破性的成就令人瞩目。
据了解，这两款模型均源自Hugging Face团队去年训练的庞大800亿参数模型，通过精心的蒸馏技术提炼而成。它们成功地在高性能与资源效率之间找到了完美的平衡点。官方强调，无论是SmolVLM-256M还是SmolVLM-500M，都无需复杂配置，即可“即插即用”，轻松部署在transformer MLX和ONNX平台上。
从技术细节来看，SmolVLM-256M和SmolVLM-500M均采用了SigLIP作为图像编码器，而文本编码任务则交由SmolLM2完成。SmolVLM-256M以其小巧的体积脱颖而出，成为目前最小的多模态模型。它能够接收任意序列的图像和文本输入，并生成相应的文字输出，功能涵盖图像描述、视频字幕生成、PDF处理等。尤为该模型体积小巧，即便在移动平台上也能流畅运行，仅需不到1GB的GPU显存即可完成单张图像的推理任务。
相比之下，SmolVLM-500M则针对高性能需求进行了优化。Hugging Face表示，这款模型非常适合企业运营环境，尽管其资源需求略高于SmolVLM-256M，但在推理输出的精准度上有了显著提升。具体来说，SmolVLM-500M在处理单张图像时，仅需1.23GB的GPU显存。
这两款模型均遵循Apache 2.0开源协议，研究团队还提供了基于transformer和WebGUI的示例程序，以便开发者快速上手。目前，所有模型及其演示均已公开发布，开发者可以轻松下载并使用，具体访问页面请点击此处。
