1 月 24 日消息，Hugging Face 平臺昨日（1 月 23 日）發布博文，宣布推出 SmolVLM-256M-Instruct 和 SmolVLM-500M-Instruct 兩款輕量級 AI 模型，在 AI 算力有限的設備上，最大限度發揮其算力性能。

IT之家曾于 2024 年 11 月報道，Hugging Face 平臺發布 SmolVLM AI 視覺語言模型（VLM），僅有 20 億參數，用于設備端推理，憑借其極低的內存占用在同類模型中脫穎而出。

本次推出的 SmolVLM-256M-Instruct 僅有 2.56 億參數，是有史以來發布的最小視覺語言模型，可以在內存低于 1GB 的 PC 上運行，提供卓越的性能輸出。

SmolVLM-500M-Instruct 僅有 5 億參數，主要針對硬件資源限制，幫助開發者迎接大規模數據分析挑戰，實現 AI 處理效率和可訪問性的突破。

SmolVLM 模型具備先進的多模態能力，可以執行圖像描述、短視頻分析以及回答關于 PDF 或科學圖表的問題等任務。正如 Hugging Face 所解釋的：“SmolVLM 構建可搜索數據庫的速度更快、成本更低，其速度可媲美規模 10 倍于其自身的模型”。

模型的開發依賴于兩個專有數據集：The Cauldron 和 Docmatix。The Cauldron 是一個包含 50 個高質量圖像和文本數據集的精選集合，側重于多模態學習，而 Docmatix 則專為文檔理解而定制，將掃描文件與詳細的標題配對以增強理解。

這兩個模型采用更小的視覺編碼器 SigLIP base patch-16/512，而不是 SmolVLM 2B 中使用的更大的 SigLIP 400M SO，通過優化圖像標記的處理方式，減少了冗余并提高了模型處理復雜數據的能力。

SmolVLM 模型能夠以每個標記 4096 像素的速率對圖像進行編碼，這比早期版本中每標記 1820 像素有了顯著改進。