苹果开源两大模型家族：FastVLM 与 MobileCLIP2

苹果在 Hugging Face 上开源了 FastVLM 和 MobileCLIP2 两大模型家族：

• FastVLM 是一种视觉语言模型（VLM），专为高分辨率图像设计，旨在减少 token 输出并压缩编码时间，可以高效地理解图像和文本之间的关系。
• MobileCLIP2 是 CLIP 模型的轻量化、移动端优化版本，专注于在手机或边缘设备上进行高效推理。

FastVLM系列包含0.5B、1.5B、7B三个参数规模，全部基于新提出的FastViTHD混合视觉编码器，专为高分辨率图像输出更少token、压缩编码时间。FastVLM-7B在DocVQA达到93.2，在ScienceQA达到96.7，表现领先。

MobileCLIP2系列同样上线，提供相应 Hugging Face Collections 页面。

CVPR 2025论文《FastVLM: Efficient Vision Encoding for Vision Language Models》已公开，引用信息随模型仓库一并提供。

https://huggingface.co/collections/apple/fastvlm-68ac97b9cd5cacefdd04872e https://huggingface.co/spaces/apple/fastvlm-webgpu
https://huggingface.co/collections/apple/mobileclip2-68ac947dcb035c54bcd20c47