SmolVLM2: 让视频理解能力触手可及

orrzohar Orr Zohar

Stanford

mfarre Miquel Farré

andito Andres Marafioti

merve Merve Noyan

pcuenq Pedro Cuenca

cyrilzakka Cyril

Xenova Joshua

一句话总结: SmolVLM 现已具备更强的视觉理解能力📺

SmolVLM2 标志着视频理解技术的根本性转变——从依赖海量计算资源的巨型模型，转向可在任何设备运行的轻量级模型。我们的目标很简单: 让视频理解技术从手机到服务器都能轻松部署。

我们同步发布三种规模的模型 (22 亿/5 亿/2.56 亿参数)，并全面支持 MLX 框架 (提供 Python 和 Swift API)。所有模型及演示案例 均可在此获取。

想立即体验 SmolVLM2？欢迎试用我们的 交互式聊天界面，通过直观的交互测试 22 亿参数模型的视频理解能力。

目录

• 技术细节
  • SmolVLM2-22 亿: 视觉与视频理解新标杆
  • 更轻量级: 5 亿与 2.56 亿视频模型
  • SmolVLM2 应用案例集
    • iPhone 视频理解
    • VLC 媒体播放器集成
    • 视频精彩片段生成器
• 使用 Transformers 和 MLX 运行 SmolVLM2
  • Transformers
    • 视频推理
    • 多图推理
  • MLX 推理
    • Swift MLX
  • 微调 SmolVLM2
• 延伸阅读

技术细节

我们推出三款新模型 (2.56 亿/5 亿/22 亿参数)。其中 22 亿参数模型是视觉与视频任务的优选，而 5 亿和 2.56 亿模型更是 迄今发布的最小型视频语言模型。

虽然体积小巧，但其内存效率却优于现有所有模型。在视频领域权威基准测试 Video-MME 中，SmolVLM2 在 20 亿参数级别与顶尖模型比肩，在更小规模模型中更是一骑绝尘。

注: Video-MME 基准因覆盖多样视频类型 (11 秒至 1 小时) 、多模态数据 (含字幕和音频) 及 254 小时高质量专家标注而著称。了解更多

SmolVLM2-22 亿: 视觉与视频理解新标杆

相较于前代产品，新版 22 亿模型在图像数学解题、图片文字识别、复杂图表解析和科学视觉问答方面表现显著提升:

在视频任务中，该模型展现出优异性价比。基于 Apollo 大型多模态模型视频理解研究 的数据混合策略，我们在视频/图像性能之间取得了良好平衡。

其内存效率之高，甚至可在免费版 Google Colab 中运行。

# 确保使用最新版 Transformers
!pip install git+https://github.com/huggingface/transformers.git

from transformers import AutoProcessor, AutoModelForImageTextToText

model_path = "HuggingFaceTB/SmolVLM2-2.2B-Instruct"
processor = AutoProcessor.from_pretrained(model_path)
model = AutoModelForImageTextToText.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    _attn_implementation="flash_attention_2"
).to("cuda")

messages = [
    {
        "role": "user",
        "content": [
            {"type": "video", "path": "path_to_video.mp4"},
            {"type": "text", "text": "请详细描述该视频内容"}
        ]
    },
]

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

generated_ids = model.generate(**inputs, do_sample=False, max_new_tokens=64)
generated_texts = processor.batch_decode(
    generated_ids,
    skip_special_tokens=True,
)

print(generated_texts[0])

更轻量级: 5 亿与 2.56 亿视频模型

我们首次突破小模型极限: SmolVLM2-5 亿视频指令模型 在保持 22 亿模型 90% 视频理解能力的同时，参数量减少四分之三 🤯。

而我们的实验性作品 SmolVLM2-2.56 亿视频指令模型 则探索了小模型的极限。受 IBM 利用 256M 模型 取得成果的启发，我们继续深挖小模型潜力。虽然属于实验性发布，但期待它能激发更多创新应用。

SmolVLM2 应用案例集

为在小型视频模型领域展现我们的核心理念，我们开发了三个实际应用案例，生动呈现该模型系统的多场景应用能力。

iPhone 视频理解

VLC 媒体播放器集成

视频精彩片段生成器

使用 Transformers 和 MLX 运行 SmolVLM2

自发布首日起，我们便实现了 SmolVLM2 与 Transformer 架构及 MLX 框架的即开即用兼容适配。在本章节中，您可查阅面向视频与多图像处理的多种推理方案，以及配套的实战教程指南。

Transformers

通过对话式 API 可便捷调用 SmolVLM2 模型，聊天模板会自动对输入进行预处理:
你可以像下面这样加载模型:

# 确保使用最新版 Transformers
!pip install git+https://github.com/huggingface/transformers.git

from transformers import AutoProcessor, AutoModelForImageTextToText

processor = AutoProcessor.from_pretrained(model_path)
model = AutoModelForImageTextToText.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    _attn_implementation="flash_attention_2"
).to(DEVICE)

视频推理

通过传入 {"type": "video", "path": {video_path} ，你可以在聊天模板传递视频路径，下面是完整的模板示例:

messages = [
    {
        "role": "user",
        "content": [
            {"type": "video", "path": "视频路径.mp4"},
            {"type": "text", "text": "请详细描述该视频"}
        ]
    },
]
inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

generated_ids = model.generate(**inputs, do_sample=False, max_new_tokens=64)
generated_texts = processor.batch_decode(
    generated_ids,
    skip_special_tokens=True,
)

print(generated_texts[0])

多图推理

除了视频，SmolVLM2 支持多图推理。您可以通过聊天模板使用相同的 API。

messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "这两张图片有何区别？"},
            {"type": "image", "path": "图片1.png"},
            {"type": "image", "path": "图片2.png"} 
        ]
    },
]
inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

generated_ids = model.generate(**inputs, do_sample=False, max_new_tokens=64)
generated_texts = processor.batch_decode(
    generated_ids,
    skip_special_tokens=True,
)

print(generated_texts[0])

使用 MLX 进行推理

要在 Apple 芯片设备上使用 Python 运行 SmolVLM2，可通过优秀的 mlx-vlm 库 实现。首先安装特定分支:

pip install git+https://github.com/pcuenca/mlx-vlm.git@smolvlm

单图推理示例 (使用 未量化的 5 亿参数版本):

python -m mlx_vlm.generate \
  --model mlx-community/SmolVLM2-500M-Video-Instruct-mlx \
  --image https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg \
  --prompt "请描述这张图片"

视频分析专用脚本 (系统提示词可引导模型关注重点):

python -m mlx_vlm.smolvlm_video_generate \
  --model mlx-community/SmolVLM2-500M-Video-Instruct-mlx \
  --system "请专注描述视频片段中的关键戏剧性动作或显著事件，省略常规场景描述" \
  --prompt "视频中发生了什么？" \
  --video ~/Downloads/example_video.mov

Swift 语言支持

通过 mlx-swift-examples 代码库 实现 Swift 支持 (当前需从 开发分支 编译)，这正是我们构建 iPhone 应用的技术基础。

图像推理 CLI 示例:

./mlx-run --debug llm-tool \
    --model mlx-community/SmolVLM2-500M-Video-Instruct-mlx \
    --prompt "请描述这张图片" \
    --image https://example.com/image.jpg \
    --temperature 0.7 --top-p 0.9 --max-tokens 100

视频分析示例 (系统提示词调节输出粒度):

./mlx-run --debug llm-tool \
    --model mlx-community/SmolVLM2-500M-Video-Instruct-mlx \
    --system "请专注描述视频片段中的核心事件" \
    --prompt "发生了什么？" \
    --video ~/Downloads/example_video.mov \
    --temperature 0.7 --top-p 0.9 --max-tokens 100

若您使用 MLX 和 Swift 集成 SmolVLM2，欢迎在评论区分享您的实践！

微调 SmolVLM2

您可使用 Transformers 库对视频数据进行微调。我们已在 Colab 环境演示了基于 VideoFeedback 数据集 对 5 亿参数模型的微调流程。由于模型较小，推荐使用全参数微调而非 QLoRA/LoRA (但可在 cB 变体尝试 QLoRA)。完整教程请参考 微调笔记。

延伸信息

特别鸣谢 Raushan Turganbay、Arthur Zucker 和 Pablo Montalvo Leroux 对模型移植的贡献。

如果您想了解更多关于 SmolVLM 系列模型的信息，请阅读以下内容: 模型与演示全集 | Apollo 视频理解研究

期待见证您用 SmolVLM2 构建的创新应用！