本文へスキップ

SmolVLM-256M-Instruct

画像とテキストを扱う小型のマルチモーダルモデル

公式サイトを見る

SmolVLM-256M-Instruct とは

本モデルは Idefics3 構成にもとづく小型のマルチモーダル模型と紹介され、画像とテキストを入力しテキストを出力すると説明されている。

できること

  • 画像についての質問に答える
  • 視覚内容をキャプションで記述する
  • 視覚内容から物語を作る
  • 画像とテキストが混ざった列を扱う

導入の手順

  • AutoProcessor などでモデルを読み込む
  • 画像とテキストのメッセージを用意する
  • 整えた入力をモデルへ渡す

長所と短所

✓ 良い点

  • 軽量な構成で制約のある端末に合う
  • Hugging Face で無料と説明される

! 注意したい点

  • Idefics3 構成にもとづく
  • 扱う課題は学習データに左右される

よくある質問

GPU メモリはどれほど?

資料は 1GB 未満で推論できると説明。

どこで得られる?

資料は Hugging Face で無料と説明。

最終評価日: 2026-11-15

その他 AI画像生成 ツール

すべて見る →

評価方法