1月24日，據報道，Hugging Face 發布了兩款全新輕量級視覺語言模型（VLM）：SmolVLM-256M-Instruct 和 SmolVLM-500M-Instruct，SmolVLM-256M-Instruct 僅有 2.56 億參數，可在內存低于 1GB 的 PC 上高效運行。

Hugging Face 的 SmolVLM 系列以輕量化和高性能著稱。本次推出的 SmolVLM-256M-Instruct 和 SmolVLM-500M-Instruct 進一步縮減了模型參數，其中SmolVLM-256M-Instruct：僅有 2.56 億參數，是迄今為止最小的視覺語言模型，可在極低算力環境下運行，同時提供卓越的性能輸出。SmolVLM-500M-Instruct：擁有 5 億參數，針對硬件資源受限的場景設計，適用于大規模數據分析任務。兩款模型均采用 Hugging Face 的先進多模態技術，能夠執行圖像描述、短視頻分析、文檔理解等任務，為開發者提供更廣泛的應用場景。

在技術上，其擁有多模態能力，使SmolVLM 模型能夠處理圖像、文本和文檔等多模態數據，支持圖像描述、科學圖表分析和 PDF 問答等復雜任務。優化的視覺編碼器的新模型采用了 SigLIP base patch-16/512 視覺編碼器，相較于 SmolVLM 2B 使用的 SigLIP 400M SO，優化了圖像標記的處理方式，顯著減少了冗余并提升了復雜數據處理能力。

在數據集支持上，The Cauldron：包含 50 個高質量圖像和文本數據集，專注于多模態學習。Docmatix：為文檔理解設計的定制數據集，將掃描文檔與詳細標題配對，提升文檔處理能力。高效圖像編碼，SmolVLM 模型以每標記 4096 像素的速率對圖像進行編碼，比早期版本的每標記 1820 像素提升了一倍以上，大幅提高了數據處理效率。

Hugging Face 表示，SmolVLM 系列模型在構建可搜索數據庫時的速度和成本表現優異，可媲美參數規模是其 10 倍的模型。通過優化算法和架構設計，這些模型為開發者提供了高性價比的 AI 解決方案，使 AI 能力觸手可及。