它是如何工作的？
看懂图像
图像 → Token
Token → 语言
FastVLM 先高效地理解图像内容，将其转换为紧凑的标记 (Tokens)，然后利用这些标记快速生成准确的文本描述或回答。
核心优势
极速响应
首 Token 输出速度惊人！FastVLM-0.5B 比 LLaVA-OneVision 快 85 倍。FastVLM-7B (结合 Qwen2) 比 Cambrian-1-8B 快 7.9 倍 (同等精度)。
小巧高效
模型体积小，部署更轻松。FastVLM-0.5B 比 LLaVA-OneVision 小 3.4 倍。非常适合 iPhone、iPad、Mac 等端侧设备。
端侧智能
无需依赖云端，直接在您的苹果设备上运行，保护隐私，响应更快。
完美适配 iOS/Mac 生态，赋能边缘 AI 应用。
示例展示
物体计数
手写文字识别
Emoji 理解
性能对比
应用场景
图像描述生成
自动为图片生成生动、准确的文字描述。
视觉问答 (VQA)
理解图片内容，并回答关于图片的提问。
图像识别与分析
识别图中的物体、文字或数据，进行智能分析。
特别适合需要实时处理图像和文本交互的场景。
模型下载
PyTorch Checkpoints
| 模型 (Model) | 阶段 (Stage) | 下载链接 (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 的技术细节，查看源代码，或阅读研究论文。