SmolVLM-500M-Instruct

模型来源：HuggingFaceTB/SmolVLM-500M-Instruct

介绍

SmolVLM-500M 是 SmolVLM 系列中的一个小型多模态模型。它可以接受任意序列的图像和文本输入，输出文本结果。
该模型注重效率，能够回答有关图像的问题、描述视觉内容或转录文本。
其轻量级架构使其适合在设备端运行，同时在多模态任务中保持较强性能。
推理时对显存需求较低，仅需约1.23GB GPU显存即可处理一张图像。

可用的 NPU 模型

基础模型

smolvlm-500M-ax630c

• 提供 128 长度的上下文窗口
• 最大输出 1,024 个 token
• 支持平台：LLM630 计算套件、Module LLM 和 Module LLM 套件
• 首次推理时间（ttft）：365.69 毫秒
• 平均生成速度：13.14 token/s
• 图像编码尺寸：512×512
• 图像编码时间：838.30 毫秒

安装

apt install llm-model-smolvlm-500m-ax630c

• 下载 llm-model-smolvlm-500m-ax630c