它是如何運作的？
看懂圖像
圖像 → Token
Token → 語言
FastVLM 先高效地理解圖像內容，將其轉換為緊湊的標記 (Tokens)，然後利用這些標記快速生成準確的文本描述或回答。
核心優勢
極速響應
首 Token 輸出速度驚人！FastVLM-0.5B 比 LLaVA-OneVision 快 85 倍。FastVLM-7B (結合 Qwen2) 比 Cambrian-1-8B 快 7.9 倍 (同等精度)。
小巧高效
模型體積小，部署更輕鬆。FastVLM-0.5B 比 LLaVA-OneVision 小 3.4 倍。非常適合 iPhone、iPad、Mac 等終端裝置。
終端智能
無需依賴雲端，直接在您的蘋果裝置上運行，保護隱私，響應更快。
完美適配 iOS/Mac 生態，賦能邊緣 AI 應用。
範例展示
物體計數
手寫文字識別
Emoji 理解
效能比較
應用場景
圖像描述生成
自動為圖片生成生動、準確的文字描述。
視覺問答 (VQA)
理解圖片內容，並回答關於圖片的提問。
圖像識別與分析
識別圖中的物體、文字或數據，進行智能分析。
特別適合需要即時處理圖像和文本互動的場景。
模型下載
PyTorch Checkpoints
| 模型 (Model) | 階段 (Stage) | 下載連結 (Download Link) |
|---|---|---|
| FastVLM-0.5B | 2 | fastvlm_0.5b_stage2 |
| FastVLM-0.5B | 3 | fastvlm_0.5b_stage3 |
| FastVLM-1.5B | 2 | fastvlm_1.5b_stage2 |
| FastVLM-1.5B | 3 | fastvlm_1.5b_stage3 |
| FastVLM-7B | 2 | fastvlm_7b_stage2 |
| FastVLM-7B | 3 | fastvlm_7b_stage3 |
了解更多
探索 FastVLM 的技術細節，查看原始碼，或閱讀研究論文。