苹果近日在 Hugging Face 平台上正式开源了两大模型系列：FastVLM 与 MobileCLIP2。
- FastVLM 是一种面向高分辨率图像的视觉语言模型（VLM），采用新型的 FastViTHD 混合视觉编码器，能够在降低输出 token 数量的同时显著缩短编码时间，从而更高效地解析图像与文本之间的关联。
- MobileCLIP2 则是 CLIP 模型的轻量级版本，专为移动设备和边缘计算场景优化，致力于实现低延迟、高效率的本地化推理。
FastVLM 系列涵盖 0.5B、1.5B 和 7B 三种参数规模。其中，FastVLM-7B 在 DocVQA 上取得 93.2 的成绩，在 ScienceQA 上达到 96.7，展现出行业领先的性能表现。
同时发布的还有 MobileCLIP2 模型系列，相关模型已上线 Hugging Face 的专属 Collections 页面。
相关论文《FastVLM: Efficient Vision Encoding for Vision Language Models》已被 CVPR 2025 接收，论文内容已公开，模型仓库中也一并提供了引用信息。
https://www.php.cn/link/84403a769c84d34088c8b19584a235ad
https://www.php.cn/link/d6afc47d9260056bf6ebac5a4c908540
https://www.php.cn/link/49aea21a9ed85c3bd530a37df3de1c7e
