品玩1月24日讯，据 Hugging Face 页面显示，旗下最小多模态大模型SmolVLM-256M 近日发布，它可以接收任意序列的图像和文本输入，从而产生文本输出。

据悉，SmolVLM-256M的设计旨在提高效率。SmolVLM 可以回答有关图像的问题、描述视觉内容或转录文本。它的轻量级架构使其适用于设备上的应用，同时在多模态任务中保持强劲的性能。只需不到 1GB 的 GPU 内存，它就能在一幅图像上进行推理。

需要注意的是，该模型不支持图像生成。