Hugging Face推出SmolVLM2：4B参数小模型性能媲美大型VLM

Hugging Face近日发布了SmolVLM2系列视觉语言模型，以仅4B参数的规模实现了与大型模型相媲美的性能。该系列包括SmolVLM2-2.2B和SmolVLM2-4B两种版本，在DocVQA、InfoVQA等多项基准测试中表现优异，甚至超越了如Qwen2-VL-7B等更大参数量的模型。

SmolVLM2采用轻量化架构，设计用于高效处理文档、图表和科学图表等视觉任务。其训练数据经过精心筛选，包含5000亿token的文本和文档数据。模型支持多轮对话和多种图像输入，在视频任务上也展现出竞争力。Hugging Face强调，SmolVLM2旨在降低计算成本，使更多开发者和中小企业能够利用强大的视觉语言模型。