SmolVLM: el modelo de lenguaje visual pequeño pero potente

Resumen del corpus

Hugging Face presentó SmolVLM, una familia de modelos de lenguaje visual de 2B parámetros, pequeños, rápidos y eficientes en memoria, publicados bajo licencia Apache 2.0. Incluye tres variantes (Base, Synthetic e Instruct) con pipelines de entrenamiento abiertos e integración en Transformers. Según los benchmarks, requiere solo 5 GB de RAM de GPU, muy por debajo de competidores como Qwen2-VL, y ofrece un throughput de generación hasta 16 veces más rápido.