FastVLM を選ぶ場合
- 入力が 1024 px 以上の密な文書や UI スクリーンショット
- MLX や Core ML で iPhone や Mac に導入する
- Apple の研究ページからリンクされる 0.5B ブラウザデモが必要
FASTVLM VS SMOLVLM2
FastVLM vs SmolVLM2
どちらもデータセンターではなくデバイスを対象としています。FastVLM は FastViTHD エンコーダで高解像度画像の TTFT を最適化し、SmolVLM2 はサイズを 256M まで縮小して動画に対応します。このページは単一のベンチマーク表ではなく、公式に記載された内容を比較します。
比較一覧
| 項目 | FastVLM | SmolVLM2 |
|---|---|---|
| 開発元 | Apple の研究者（CVPR 2025） | Hugging Face（HuggingFaceTB） |
| サイズ | 0.5B · 1.5B · 7B | 256M · 500M · 2.2B |
| 視覚エンコーダ | FastViTHD ハイブリッドエンコーダ。高解像度で視覚トークンが少ない | SigLIP 系エンコーダと pixel-shuffle トークン圧縮 |
| 画像入力 | 対応 | 対応 |
| 動画入力 | 公式モデルは非対応（アプリはフレームを1枚ずつ処理） | 対応。256M・500M・2.2B の Video-Instruct 版 |
| 複数画像プロンプト | 公式例では1プロンプトに1画像 | 対応 |
| ブラウザ（WebGPU） | 0.5B は onnx-community/FastVLM-0.5B-ONNX（本サイトの Playground） | SmolVLM 256M/500M に Transformers.js デモあり。SmolVLM2 の ONNX はモデルカードを確認 |
| MLX / Apple Silicon | 公式 iOS/macOS MLX アプリ。mlx-vlm | 公開初日から MLX 対応（Python と Swift） |
| ライセンス | Apple ML Research ライセンス（条項を確認） | Apache 2.0 |
| 主な主張 | 1152 px で LLaVA-OneVision-0.5B より最大85倍速い TTFT（Apple） | 最小の動画対応 VLM。500M は動画で 2.2B に迫る（Hugging Face） |
確認日 2026-09-17
選択の要約
- 高解像度のスクリーンショット、レシート、文書で TTFT が重要なら、特に Apple ハードウェアでは FastVLM。
- 動画、複数画像プロンプト、500M 未満のモデル、Apache 2.0 ライセンスが必要なら SmolVLM2。
- どちらも最小サイズはブラウザで動作。FastVLM-0.5B は本サイトで今すぐ試せます。
SmolVLM2 を選ぶ場合
- 短い動画の理解や1プロンプトに複数画像が必要
- メモリが極端に限られる（256M〜500M）
- 商用製品でライセンスの単純さが重要
表の読み方
両ファミリーの公開スコアは異なる論文、プロンプト、評価コードによるものです。統合した表で順位付けせず、同じ解像度とデバイスで自分の画像を使って両方を実行してください。
よくある質問
SmolVLM2 は FastVLM より正確？
同条件の公開比較はありません。Apple の表では FastVLM-0.5B が DocVQA 82.5、TextVQA 64.5 を報告し、SmolVLM2 のカードは独自のスイートを報告しています。自分のデータで検証してください。
ブラウザではどちらが速い？
GPU、量子化、画像サイズによります。本サイトのデバイスベンチマークで FastVLM-0.5B を計測し、同じマシンで SmolVLM のデモと比較してください。