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...

阅读更多