苹果发布两大开源模型家族，FastVLM 与 MobileCLIP2

苹果近日宣布开源两大模型家族：FastVLM与MobileCLIP2，这两个模型家族分别专注于视觉和语言处理任务，旨在提高苹果设备的智能处理能力，FastVLM强调快速高效的视觉任务处理，适用于各种设备上的实时图像分析，而MobileCLIP2则专注于语言处理，优化在移动设备上的使用体验，苹果的这一举措将推动机器学习领域的发展，并为开发者提供更多机会。

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