本文へスキップ

SmolVLM

小型でオープンな視覚言語モデル

公式サイトを見る

SmolVLM とは

本モデルは 2B パラメータの小型視覚言語モデルとされ、推論コストを下げ、ローカル導入やカスタマイズを可能にすると説明されている。

できること

  • 小さなローカル環境でマルチモーダル AI を動かす
  • 計算資源が限られていても動画を解析する
  • VLMEvalKit でさらに多くの評価を行う

活用場面

  • バンコクの名所についての質問に答える
  • グラフを読んで干ばつの地域を探す
  • 請求書の画像から日付を抜き出す

注意点

  • 挙がる規模は 2B パラメータ
  • ローカル利用はブラウザとエッジ端末を想定
  • 読み込みには Python と Transformers を用いる

長所と短所

✓ 良い点

  • 商用利用とカスタマイズした導入が認められる
  • VLMEvalKit との連携で評価の幅が広がる

! 注意したい点

  • 挙がる規模は 2B パラメータ
  • ローカル導入はブラウザとエッジ端末を想定

よくある質問

規模はどれくらい?

資料は 2B パラメータの視覚言語モデルと説明している。

許諾は?

資料はチェックポイントやデータ一式が Apache 2.0 で公開されると述べる。

最終評価日: 2026-11-15

その他 AIコーディングツール ツール

すべて見る →

評価方法