1月24日，据报道，HuggingFace发布了两款全新轻量级视觉语言模型（VLM）：SmolVLM-256M-Instruct和SmolVLM-500M-Instruct，SmolVLM-256M-Instruct仅有2.56亿参数，可在内存低于1GB的PC上高效运行。

HuggingFace的SmolVLM系列以轻量化和高性能著称。本次推出的SmolVLM-256M-Instruct和SmolVLM-500M-Instruct进一步缩减了模型参数，其中SmolVLM-256M-Instruct：仅有2.56亿参数，是迄今为止最小的视觉语言模型，可在极低算力环境下运行，同时提供卓越的性能输出。SmolVLM-500M-Instruct：拥有5亿参数，针对硬件资源受限的场景设计，适用于大规模数据分析任务。两款模型均采用HuggingFace的先进多模态技术，能够执行图像描述、短视频分析、文档理解等任务，为开发者提供更广泛的应用场景。

在技术上，其拥有多模态能力，使SmolVLM模型能够处理图像、文本和文档等多模态数据，支持图像描述、科学图表分析和PDF问答等复杂任务。优化的视觉编码器的新模型采用了SigLIPbasepatch-16/512视觉编码器，相较于SmolVLM2B使用的SigLIP400MSO，优化了图像标记的处理方式，显著减少了冗余并提升了复杂数据处理能力。

在数据集支持上，TheCauldron：包含50个高质量图像和文本数据集，专注于多模态学习。Docmatix：为文档理解设计的定制数据集，将扫描文档与详细标题配对，提升文档处理能力。高效图像编码，SmolVLM模型以每标记4096像素的速率对图像进行编码，比早期版本的每标记1820像素提升了一倍以上，大幅提高了数据处理效率。

HuggingFace表示，SmolVLM系列模型在构建可搜索数据库时的速度和成本表现优异，可媲美参数规模是其10倍的模型。通过优化算法和架构设计，这些模型为开发者提供了高性价比的AI解决方案，使AI能力触手可及。