模型 ◆ 沧海遗珠
SmolVLM2-2.2B-Instruct
HuggingFaceTB/SmolVLM2-2.2B-Instruct · Apache-2.0
一个能装进笔记本、还能读视频的视觉语言模型。
SmolVLM2 是 2.2B 的 VLM，低显存下就能处理图像与短视频片段，适合文档问答、UI 理解与端侧感知。
11.1 / 100 · 评分
♥ 336 点赞
117.2k 下载量
2.2B 参数量
4 GB GPU
评分
趋势 18
活跃 30
质量 65
社区 16
相关 100
上手成本一览
Modalityimage+video
Librarytransformers
GPU4 GB
安装命令
pip install transformers 深度解读
SmolVLM2 是一个 22 亿参数的视觉语言模型，在消费级硬件上理解图像与短视频——小到笔记本显卡跑得动，又强到能应付真实的文档与图像问答。
它用精简但强劲的数据混合训练（the Cauldron、Docmatix、LLaVA-OneVision 数据），并给出标准 transformers 路径：AutoProcessor 加 AutoModelForImageTextToText。
家族带演示 Space、SmolVLM2 亮点展示和 smollm 仓库的视觉文档，从权重到可用应用路径很短。
适用场景
在弱显卡上给图片打标或索引
回答短视频片段的问题
驱动本地文档理解 Agent
适合 / 不太适合
适合
边缘与笔记本推理
文档 / UI 理解任务
隐私优先的视觉应用
不太适合
长视频深度理解
硬基准上的顶尖精度