根據 Hugging Face 頁面顯示，旗下最小多模態大模型SmolVLM-256M 近日發表，它可以接收任意序列的圖像和文本輸入，從而產生文本輸出。

據悉，SmolVLM-256M的設計旨在提高效率，SmolVLM 可以回答有關圖像的問題、描述視覺內容或轉錄文本，它的輕量級架構使其適用於設備上的應用，同時在多模態任務中保持強勁的性能。

只需不到 1GB 的 GPU 內存，它就能在一幅圖像上進行推理。

需要注意的是，該模型不支持圖像生成。

本文為品玩授權刊登，原文標題為「Hugging Face推出最小視覺語言模型，可在低算力設備上運行」