Skip to content
FastVLM.net

端侧 VLM 中心

可在端侧运行的小型视觉语言模型

视觉语言模型能回答关于图像的问题。下列模型足够小，可以运行在笔记本、手机或支持 WebGPU 的浏览器中。先用表格筛选，再打开与 FastVLM 的一对一对比。

模型开发方规模图像视频多图浏览器MLX许可适合
FastVLM2025Apple0.5B · 1.5B · 7B是Apple AMLR高分辨率图像下的低首 Token 延迟；浏览器与 Apple Silicon
SmolVLM22025Hugging Face256M · 500M · 2.2B部分规模Apache 2.0带视频理解的超小模型；宽松许可
LFM2.5-VL2026Liquid AI450M · 3B是LFM Open License端侧的目标定位、屏幕、文档与工具调用
Gemma 42026GoogleE2B · E4B · 12B · 26B-A4B · 31B取决于运行时Gemma Terms广泛多模态（图像、视频帧、E2B/E4B 的音频）与代理式用途
Gemma 3n2025GoogleE2B · E4B取决于运行时Gemma Terms面向手机、支持音频输入与逐层嵌入的模型
Qwen3-VL2025Alibaba2B · 4B · 8B (small)部分规模Apache 2.0小型稠密模型中出色的 OCR、文档与视频能力
Moondream2024–2025Moondream2B · 3 (9B MoE, 2B active)部分规模Apache 2.0 / BSL小体积下的指点、检测与描述
MiniCPM-V2025OpenBMB4.5 (8B)否Apache 2.0 code · MiniCPM weights笔记本上的高分辨率图像与视频理解
PaliGemma 22024Google3B · 10B · 28B否Gemma Terms用于检测、分割与描述微调的基座

“浏览器”表示至少一个规模有维护中的 WebGPU/Transformers.js 或 ONNX 版本。“取决于运行时”的模型通过 MediaPipe、LiteRT 等厂商运行时运行，而非 Transformers.js。

数据于 2026-09-17 按官方模型卡与公告核对。发现过期信息可通过本站 GitHub 反馈。

与 FastVLM 一对一对比

FastVLM vs SmolVLM2FastVLM vs LFM2.5-VLFastVLM vs Gemma 4 / 3nFastVLM vs LLaVA-OneVision
在你的设备上测试 FastVLM

如何选择

  1. 先看任务：OCR 与文档需要更高输入分辨率；视频需要在帧上训练过的模型；目标定位需要输出格式支持框。
  2. 再看运行时：浏览器 Demo 需要 ONNX 权重；iPhone 应用需要 MLX 或 Core ML；Linux 服务器则没有限制。
  3. 然后看许可：Apache 2.0 模型最容易发布；Apple AMLR 与 Gemma 条款有必须阅读的条件。
  4. 最后在自己的设备上测量——公开基准的协议各不相同，不能跨厂商直接比较。