【量子位】虛擬數字人深度產業報告 | 元宇宙Meta洞見
虛擬數字人行業未來的主要驅動力包括：用戶代際變化，新一代消費者對內容消費和虛擬世界更為渴求；虛擬數字人相關技術門檻相對降低，成本有所回落；資本熱度上升，受Metav
5 月 13 日消息，蘋果機器學習團隊上周在 GitHub 發布并開源了一款視覺語言模型 ——FastVLM，提供 0.5B、1.5B、7B 三個版本。
據介紹，該模型基于蘋果自研 MLX 框架開發并借助LLaVA 代碼庫進行訓練，專為 Apple Silicon 設備的端側 AI 運算進行優化。
技術文檔顯示，FastVLM 在保持精度的前提下，實現了高分辨率圖像處理的近實時響應，同時所需的計算量比同類模型要少得多。
其核心是一個名為 FastViTHD 的混合視覺編碼器。蘋果團隊表示，該編碼器“專為在高分辨率圖像上實現高效的 VLM 性能而設計”，其處理速度較同類模型提升 3.2 倍，體積卻僅有 3.6 分之一。
亮點FastViTHD 新型混合視覺編碼器：專為高分辨率圖像優化設計，可減少令牌輸出量并顯著縮短編碼時間
最小模型版本性能對比：較 LLaVA-OneVision-0.5B 模型實現首詞元（Token）響應速度提升 85 倍，視覺編碼器體積縮小 3.4 倍
搭配 Qwen2-7B 大語言模型版本：使用單一圖像編碼器即超越 Cambrian-1-8B 等近期研究成果，首詞元響應速度提升 7.9 倍
配套 iOS 演示應用：實機展示移動端模型性能表現
蘋果技術團隊指出：“基于對圖像分辨率、視覺延遲、詞元數量與LLM 大小的綜合效率分析，我們開發出 FastVLM—— 該模型在延遲、模型大小和準確性之間實現了最優權衡。”
該技術的應用場景指向蘋果正在研發的智能眼鏡類穿戴設備。多方信息顯示，蘋果計劃于 2027 年推出對標 Meta Ray-Bans 的 AI 眼鏡，同期或將發布搭載攝像頭的 AirPods 設備。
FastVLM 的本地化處理能力可有效支持此類設備脫離云端實現實時視覺交互。查詢獲悉，MLX 框架允許開發者在 Apple 設備本地訓練和運行模型，同時兼容主流 AI 開發語言。FastVLM 的推出證實蘋果正構建完整的端側 AI 技術生態。
參考資料：
https://github.com/apple/ml-fastvlm?tab=readme-ov-file
[2412.13303] FastVLM: Efficient Vision Encoding for Vision Language Models
本文鏈接：http://www.www897cc.com/showinfo-45-12845-0.html蘋果發布 FastVLM 視覺語言模型，為新型智能眼鏡等穿戴設備鋪路
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號