苹果开源的 FastVLM 是一个基于视觉语言模型的大型预训练模型，它在视觉编码方面通过引入 FastViTHD 视觉编码器，提高了编码效率并减少了时间到首个令牌 (TTFT) 的时间。FastVLM 的小型变体在性能上优于了 LLaVA-OneVision-0.5B，具体来说，TTFT 速度提高了 45 倍，视觉编码器大小缩小了 3.4 倍。此外，FastVLM 还有更大的变体，如 FastVLM-1.5B 和 FastVLM-7B，这些变体在使用 Qwen2-7B LLM 时，性能优于最近的工作，如 Cambrian-1-8B，TTFT 速度提高了 7.9 倍。这些数据表明，FastVLM 是一个性能卓越的大型视觉语言模型。 地址: 网页链接