nanoVLM

nanoVLM 是一个用于训练和微调小型视觉-语言模型的简洁快速仓库。项目采用纯 PyTorch 实现，代码可读性强且易于理解，核心组件包括视觉骨干、语言解码器、模态投影以及视觉-语言模型本身，整个训练逻辑仅需约750行代码。通过使用预定义的视觉和语言模型作为基础，用户可以轻松地在单个H100 GPU上完成对模型的训练或微调。该项目非常适合需要快速实验视觉-语言任务的研究者或开发者，尤其是在资源有限的情况下寻求高效解决方案的场景。