SmolVLM: Redefining small and efficient multimodal models

主要内容

1. 背景与挑战：视觉语言模型（VLMs）能力提升但资源需求大，小模型常借鉴大模型设计导致内存使用低效。
2. 模型设计
   • 架构探索：分析视觉编码器和语言模型间的计算分配，发现平衡的参数分配更优；扩展上下文长度、采用像素混洗等策略提高模型性能。
   • 指令微调：研究视觉和文本标记化、数据组合等对模型性能的影响，如学习位置标记优于字符串标记，谨慎使用大语言模型微调文本数据等。
3. 实验结果
   • 构建模型变体：构建SmolVLM - 256M、SmolVLM - 500M和SmolVLM - 2.2B三种模型，适用于不同计算环境。
   • 训练数据：分视觉和视频阶段训练，使用多种数据集并合理分配数据比例。
   • 性能评估：在多个视觉语言和视频基准测试中表现出色，内存使用效率高；在边缘设备上有良好的吞吐量，适用于多种下游应用。

创新点