近日，科技界迎来了一项新的突破，Hugging Face公司于1月26日正式推出了两款精心打造的多模态模型——SmolVLM-256M与SmolVLM-500M。这两款模型是从去年训练的庞大800亿参数模型中提炼而出，成功地在性能与资源消耗之间找到了完美的平衡点。
据悉，SmolVLM-256M采用了先进的SigLIP作为图像编码技术，而更高级别的SmolVLM-500M则配备了更为强大的SmolLM2文本编码器。尤为引人注目的是，SmolVLM-256M凭借其小巧的体积，成功跻身当前最小的多模态模型之列。它不仅能够接收任意序列的图像与文本输入，还能生成丰富的文字输出，涵盖图片描述、视频字幕生成乃至PDF处理等多样化功能。
在资源占用方面，这两款模型同样展现出了极高的效率。对于移动设备而言，SmolVLM-256M仅需不到1GB的GPU显存即可完成单张图片的推理任务，这对于移动应用开发来说无疑是个巨大的福音。而对于追求更高性能的企业级应用环境，SmolVLM-500M则提供了更为精准的输出结果，尽管其资源需求稍高，仅需1.23GB的GPU显存，但其在处理复杂任务时的表现更为出色。
值得注意的是，Hugging Face此次推出的两款模型均采用了Apache 2.0开源授权，这意味着开发者可以自由地获取、修改和分发这些模型。公司还贴心地提供了基于transformer和WebGUI的示例程序，大大降低了开发者的上手难度。所有模型及其演示代码均已在公开平台上发布，方便开发者下载与使用。
