Hugging Face は、競合他社が必要とするコンピューティング能力のほんの一部を必要としながら、画像とテキストの両方を驚くべき効率で処理するビジョン言語 AI モデルをリリースしました。
SmolVLM の新バージョンは 5.02 GB の RAM のみを必要としますが、Qwen-L2B や InternVL2 2B などの競合モデルは視覚情報をリアルタイムで処理するためにそれぞれ 13.70 GB または 10.52 GB を必要とします (らしい)。
2024 年以降に企業が人工知能の導入に取り組む方法が変わる可能性があり、そのメリットは大きいと言われています。
コメント