浏览 AI 技能、智能体和自动化

SmolVLM2-2.2B-Instruct

HuggingFaceTB · 工具包

同时回答关于视频、图像和文字的问题，用一个 2.2B 模型，视频推理约需 5.2 GB GPU 显存。适合构建设备端视觉助手的开发者。

SmolVLM

HuggingFaceTB · 工具包

一个来自 HuggingFaceTB 的 Gradio 演示，对应 SmolVLM2-2.2B-Instruct 模型，附带示例图片，可以在浏览器里在线运行，也可以用 Python 3.10 在你的电脑上运行。