ml-fastvlm

FastVLM 是一个高效视觉编码的多模态模型，旨在提升视觉语言模型处理高分辨率图像时的效率。该项目的核心功能是通过引入一种名为 FastViTHD 的新型混合视觉编码器来减少输出的 token 数量并显著缩短编码时间。技术上，它不仅在速度上远超同类模型（例如最小变体比 LLaVA-OneVision-0.5B 快 85 倍），而且在准确性方面也表现出色。此外，项目还提供了一个 iOS 演示应用，展示了模型在移动设备上的性能。FastVLM 特别适合需要快速准确处理图像与文本结合任务的应用场景，如实时图像识别、内容生成等。