Hugging Face hat ein neues KI-Modell namens SmolVLM entwickelt, das Bild- und Textverarbeitung kombiniert. Wie Michael Nuñez berichtet, benötigt das Modell nur 5,02 GB GPU-Arbeitsspeicher. Vergleichbare Systeme brauchen bis zu 13,70 GB. SmolVLM nutzt eine fortschrittliche Kompressionstechnologie für die Bildverarbeitung. Das System verarbeitet Bilder mit 384×384 Pixeln durch nur 81 visuelle Token. Es ist in drei verschiedenen Varianten verfügbar. Die Software wird unter der Apache 2.0 Lizenz veröffentlicht. Das Modell basiert auf dem SigLIP-Bildencoder und SmolLM2 für die Textverarbeitung. Die Trainingsdaten stammen aus den Datensätzen The Cauldron und Docmatix.