FastVLM：视觉语言模型的高效视觉编码
💡
原文英文，约1800词，阅读约需7分钟。
📝
内容提要
视觉语言模型（VLMs）结合视觉与文本理解，适用于无障碍助手和机器人等应用。Apple的FastVLM通过高分辨率图像的混合架构显著提升了准确性和效率，解决了二者之间的权衡，适合实时应用。
🎯
关键要点
- 视觉语言模型（VLMs）结合视觉与文本理解，适用于无障碍助手、UI导航、机器人和游戏等应用。
- VLM的准确性通常随着输入图像分辨率的提高而提高，但这会导致准确性与效率之间的权衡。
- Apple的FastVLM通过混合架构显著改善了准确性与延迟的权衡，适合实时应用。
- 高分辨率图像提高了VLM的准确性，但也增加了处理时间，导致时间到第一个令牌（TTFT）增加。
- FastVLM采用了新的视觉编码器FastViTHD，专为高分辨率图像设计，提供更好的准确性与延迟平衡。
- FastViTHD在高分辨率图像下的延迟表现优于FastViT，适合与不同大小的LLM结合使用。
- FastVLM的架构简单，使用多层感知器（MLP）将视觉令牌投影到LLM的嵌入空间。
- FastVLM在不同视觉令牌数量下的整体准确性高于复杂的合并或修剪方法，易于部署。
- 动态切片（如AnyRes）在处理高分辨率图像时可以提高准确性，但FastVLM在没有切片的情况下表现更佳。
- FastVLM在与同类VLM的比较中显示出更快的速度和更高的准确性，适合在设备上运行。
- FastVLM的iOS/macOS演示应用展示了其近实时性能，能够支持新的设备功能和体验。
- FastVLM通过混合架构视觉编码器解决了准确性与效率之间的权衡，适合实时设备上的视觉查询处理。
➡️
