FastVLM - 苹果公司推出的视觉语言模型
FastVLM（Fast Vision Language Model）是苹果公司推出的高效视觉语言模型。以FastViTHD混合视觉编码器为核心，融合了卷积和Transformer架构，可显著减少视觉token数量，降低编码时间和延迟。在处理高分辨率图像时，编码速度比同类模型快85倍，首次token生成时间（TTFT）提升了3.2倍，且视觉编码器尺寸更小，便于在移动设备上部署。
FastVLM（Fast Vision Language Model）是苹果公司推出的高效视觉语言模型。以FastViTHD混合视觉编码器为核心，融合了卷积和Transformer架构，可显著减少视觉token数量，降低编码时间和延迟。在处理高分辨率图像时，编码速度比同类模型快85倍，首次token生成时间（TTFT）提升了3.2倍，且视觉编码器尺寸更小，便于在移动设备上部署。