---
title: "SmolVLM – Hugging Face推出的轻量级视觉语言模型"
url: "https://paooo.com/aigc-news/25283/"
author: "Prompt 语宙研究院"
published_at: "2026-07-13T00:48:29+08:00"
updated_at: "2026-07-13T00:48:29+08:00"
categories: "AIGC 资讯"
tags: "AI办公效率, HuggingFace, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# SmolVLM – Hugging Face推出的轻量级视觉语言模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/25283/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-13

## AI 30 秒核心看点 (TL;DR)

- 20亿参数级轻量VLM，面向笔记本、消费级GPU和移动设备等资源受限场景。
- 384×384图像仅编码为81个tokens，显著降低内存占用并提升视觉信息处理效率。
- 在基准测试中吞吐量明显优于Qwen2-VL，且完全开源，适合本地部署与微调。

## SmolVLM是什么

SmolVLM是Hugging Face推出的轻量级视觉语言模型，专为设备端推理设计。以20亿参数量，实现了高效内存占用和快速处理速度。SmolVLM提供了三个版本以满足不同需求：SmolVLM-Base：适用于下游任务的微调。SmolVLM-Synthetic：基于合成数据进行微调。SmolVLM-Instruct：指令微调版本，可直接应用于交互式应用中。模型借鉴Idefics3理念，采用SmolLM2 1.7B作为语言主干，通过像素混洗技术提升视觉信息压缩效率。在Cauldron和Docmatix数据集上训练，优化了图像编码和文本处理能力。

## SmolVLM的主要功能

- **设备端推理**：SmolVLM专为设备端推理设计，能在笔记本电脑、消费级GPU或移动设备等资源有限的环境下有效运行。

- **微调能力**：模型提供三个版本以满足不同需求：

SmolVLM-Base用于下游任务的微调；

- SmolVLM-Synthetic基于合成数据进行微调；

- SmolVLM-Instruct指令微调版本，可直接应用于交互式应用中。

- **优化的架构设计**：借鉴Idefics3的理念，使用SmolLM2 1.7B作为语言主干，通过像素混洗策略提高视觉信息的压缩率，实现更高效的视觉信息处理。

- **处理长文本和多张图像**：训练数据集包括Cauldron和Docmatix，对SmolLM2进行上下文扩展，能处理更长的文本序列和多张图像。

- **内存占用低**：SmolVLM将384×384像素的图像块编码为81个tokens，相比之下，Qwen2-VL需要1.6万个tokens，显著降低了内存占用。

- **高吞吐量**：在多个基准测试中，SmolVLM的预填充吞吐量比Qwen2-VL快3.3到4.5倍，生成吞吐量快7.5到16倍。

- **开源模型**：SmolVLM完全开源，所有模型检查点、VLM数据集、训练配方和工具均在Apache 2.0许可证下发布。

- **训练数据集**：SmolVLM涵盖了Cauldron和Docmatix，并对SmolLM2进行了上下文扩展，使其能够处理更长的文本序列和多张图像。

## SmolVLM的项目地址

- **Github仓库**：[https://github.com/huggingface/blog/blob/main/smolvlm.md](https://github.com/huggingface/blog/blob/main/smolvlm.md)

- **HuggingFace模型库**：[https://huggingface.co/blog/smolvlm](https://huggingface.co/blog/smolvlm)

- **在线体验Demo**：[https://huggingface.co/spaces/HuggingFaceTB/SmolVLM](https://huggingface.co/spaces/HuggingFaceTB/SmolVLM)

- **数据集完整列表**：[https://huggingface.co/HuggingFaceTB/SmolVLM-Instruct/blob/main/smolvlm-data.pdf](https://huggingface.co/HuggingFaceTB/SmolVLM-Instruct/blob/main/smolvlm-data.pdf)

## SmolVLM的应用场景

- **视频分析**：SmolVLM展现出了作为基本视频分析任务的潜力，在计算资源受限的情况下。在CinePile基准测试中，SmolVLM取得了27.14%的得分，显示了在视频理解能力上的竞争性。

- **视觉语言处理**：SmolVLM为开发者和研究者提供了一个强大的工具，便于进行视觉语言处理，无需投入高昂的硬件费用。

- **本地部署**：小模型支持在浏览器或边缘设备上进行本地部署，减少推理成本，支持用户自定义。

- **AI普及化**：SmolVLM的发展有望扩大视觉语言模型的使用范围，复杂的AI系统更加普及和可访问，为更广泛的受众提供强大的机器学习功能。

## 常见问题解答 (FAQ)

### SmolVLM适合哪些设备部署？
SmolVLM专为设备端推理设计，适合笔记本电脑、消费级GPU和移动设备等资源有限环境。它强调低内存占用和高吞吐量，适合本地运行、边缘部署和交互式视觉语言应用。

### SmolVLM和Qwen2-VL相比有什么优势？
文中给出的实测结果显示，SmolVLM将384×384图像压缩为81个tokens，内存占用更低；在多个基准中，预填充吞吐量比Qwen2-VL快3.3到4.5倍，生成吞吐量快7.5到16倍。

### SmolVLM有哪些版本，分别怎么用？
SmolVLM提供Base、Synthetic和Instruct三个版本：Base适合下游任务微调，Synthetic基于合成数据微调，Instruct可直接用于交互式应用，便于开发者按场景选择。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)