Fastvlm 0.5B Stage3

🚀 FastVLM-0.5B-Stage3

FastVLM-0.5B-Stage3 是一个多模态语言模型，能够进行视觉理解，具备主动性，理解长视频并捕捉事件，还能生成结构化输出。该模型为项目开发提供了强大的视觉与语言处理能力，可广泛应用于需要处理图像和文本信息的场景。

🚀 快速开始

使用示例

基础用法

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = 'FastVLM-0.5B-Stage3'
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, use_fast=False)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype='auto', trust_remote_code=True)

导出到 MNN

git clone https://github.com/alibaba/MNN
cd MNN/transformers/llm/export
python llmexport.py --path /path/to/FastVLM-0.5B-Stage3 --export mnn

📚 详细文档

此模型从 Github apple/ml-fastvlm 导出。 模型权重：llava-fastvithd_0.5b_stage3.zip。

📄 许可证

本项目采用 apple 许可证。

📖 引用

如果您认为我们的工作有帮助，请引用以下文献：

@InProceedings{fastvlm2025,
  author = {Pavan Kumar Anasosalu Vasu, Fartash Faghri, Chun-Liang Li, Cem Koc, Nate True, Albert Antony, Gokul Santhanam, James Gabriel, Peter Grasch, Oncel Tuzel, Hadi Pouransari},
  title = {FastVLM: Efficient Vision Encoding for Vision Language Models},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  month = {June},
  year = {2025},
}{2023}