【太平洋科技快讯】5 月 13 日，苹果机器学习团队在 GitHub 上发布并开源了一款新型视觉语言模型 ( VLM ) —— FastVLM。该模型提供 0.5B、1.5B 和 7B 三个版本，基于苹果自研的 MLX 框架开发，并借助 LLaVA 代码库进行训练，专为 Apple Silicon 设备的端侧 AI 运算进行了优化。

FastVLM 的核心是一个名为 FastViTHD 的混合视觉编码器。该编码器专为在高分辨率图像上实现高效的 VLM 性能而设计，其处理速度较同类模型提升 3.2 倍，体积却仅有 3.6 分之一。FastViTHD 通过减少令牌输出量并显著缩短编码时间，实现了性能的飞跃。

根据技术文档显示，FastVLM 在保持精度的前提下，实现了高分辨率图像处理的近实时响应，同时所需的计算量比同类模型要少得多。最小模型版本 ( FastVLM-0.5B ) 的首词元响应速度比 LLaVA-OneVision-0.5B 模型快 85 倍，视觉编码器体积缩小 3.4 倍。搭配 Qwen2-7B 大语言模型版本，使用单一图像编码器即超越 Cambrian-1-8B 等近期研究成果，首词元响应速度提升 7.9 倍。

苹果技术团队指出，基于对图像分辨率、视觉延迟、词元数量与 LLM 大小的综合效率分析，他们开发出了 FastVLM。该模型在延迟、模型大小和准确性之间实现了最优权衡。该技术的应用场景指向苹果正在研发的智能眼镜类穿戴设备。多方信息显示，苹果计划于 2027 年推出对标 Meta Ray-Bans 的 AI 眼镜，同期或将发布搭载摄像头的AirPods设备。

FastVLM 的本地化处理能力可有效支持此类设备脱离云端实现实时视觉交互。MLX 框架允许开发者在 Apple 设备本地训练和运行模型，同时兼容主流 AI 开发语言。FastVLM 的推出证实苹果正构建完整的端侧 AI 技术生态。