Hugging Face 最小 AI 视觉语言模型上线，仅 2.56 亿参数

近日，Hugging Face 正式发布两款 SmolVLM 系列的小参数视觉语言模型，官方表示该系列模型为全球最小的视觉语言模型。

据了解，本次 Hugging Face 发布的 SmolVLM 系列模型中，分别为 2.56 亿参数的「SmolVLM-236M-Instruct」和 5 亿参数「SmolVLM-500M-Instruct」两个版本；值得关注的是，官方表示两款模型能在不到 1GB 的 GPU 内存上运行。

官方介绍，2.56 亿的版本能达到 2.2B 模型 80% 的性能，而 5 亿参数的版本更是能达到 90%；SmolVLM 还结合了 ColiPali，检索速度堪比 10 倍大的模型，做到成本更低、速度更快；并采用全新视觉编码器，整体尺寸从 400M 缩小到 93M，但生成分辨率将更高。

此前，Hugging Face 曾于 2024 年 11 月首次推出 SmolVLM 模型。据 Hugging Face 介绍，首版 SmolVLM 模型仅有 20 亿参数，用于设备端推理，其凭借极低的内存占用，在同类型模型中脱颖而出。

目前，两款小参数版本的 SmolVLM 模型的 Demo 版和博客都已登陆 Hugging Face Hub。

文章来源：爱范儿     作者：柯 铭源