AIbase报道 - Apple 几个月前发布的 FastVLM 视觉语言模型现已向公众开放，用户可在搭载 Apple Silicon 芯片的 Mac 上直接体验这项革命性技术。
FastVLM 是一种能够提供近乎即时高分辨率图像处理的视觉语言模型，基于 Apple 专为 Apple Silicon 设计的开放 ML 框架 MLX 构建。相比同类模型，FastVLM 在视频字幕处理速度上提升了85倍，同时体积缩小了3倍以上。
多平台可用，浏览器直接体验
Apple 在完善项目后，FastVLM 不仅在 GitHub 上开源，还登陆了 Hugging Face 平台。用户现在可以直接在浏览器中加载轻量级的 FastVLM-0.5B 版本，无需复杂安装过程即可体验其强大功能。
根据实测，在16GB M2Pro MacBook Pro 上，模型加载需要几分钟时间。加载完成后，模型能够实时准确描述用户外貌、背景环境、面部表情以及视野中的各种物体。
智能交互功能丰富
该模型支持多种预设提示，用户可以要求模型:
- 用一句话描述所见场景
- 识别衣物颜色
- 读取可见文本内容
- 分析情感和动作
- 识别手中物体
高级用户还可结合虚拟摄像头应用，观察模型如何即时详细描述复杂的多场景视频内容。
本地化运行的隐私优势
FastVLM 的一大亮点是完全在浏览器本地运行，数据永不离开设备，甚至支持离线使用。这种设计为可穿戴设备和辅助技术应用提供了理想解决方案，轻便性和低延迟特性为更广泛的应用场景奠定了基础。
目前浏览器演示使用的是5亿参数的轻量级版本，FastVLM 系列还包含15亿和70亿参数的更强大变体，能够提供更优异的性能表现，尽管这些大型模型可能无法直接在浏览器中运行。
