開源的輕量化VLM-SmolVLM模型架構、數據策略及其衍生物PDF解析模型SmolDocling
縮小視覺編碼器的尺寸，能夠有效的降低多模態大模型的參數量。再來看一個整體的工作，從視覺側和語言模型側綜合考量模型參數量的平衡模式，進一步降低參數量，甚至最小達256M參數量，推理時顯存占用<1GB。下面來看看，僅供參考。
模型架構
SmolVLM 架構。圖像被分割成子圖像，從視頻中采樣幀，然后編碼成視覺特征。這些特征首先通過像素重排，然后通過MLP投影映射到LLM輸入空間作為視覺標記。然后，視覺標記與文本嵌入（橙色/紅色）連接/交錯。這個組合序列被傳遞給LLM進行文本輸出。
那么，如何設計一個高效的小型多模態模型架構？
Q1： 如何在視覺和語言模型之間分配計算？
傳統大型VLMs（如Flamingo）將90%以上參數分配給語言模型（LM），但SmolVLM發現：小規模LM需重新平衡視覺與語言的計算資源。
研究方法：將三種不同規模的SmolLM2變體（135M、360M和1.7B參數）與兩種SigLIP編碼器（一個緊湊的93M SigLIP-B/16和一個較大的428M SigLIP-SO400M）進行配對。
發現：通常情況下，較大的VLM會不均衡地將參數分配給語言模型，但在小型模型中，這種分配方式不再適用。當使用大型編碼器與最小的LM（135M）時，性能顯著下降，表明這種配置效率低下。在中等規模的LM（360M）中，較大的編碼器可以提高性能，但會增加66%的參數。只有在最大的LM（1.7B）中，較大的編碼器僅增加10%的參數。
結論：緊湊的多模態模型受益于平衡的編碼器-LM參數分配，使得較小的視覺編碼器在效率上更具優勢。即：模型越小，視覺編碼器應更輕量，避免“頭重腳輕”。當使用具有最小LM（135M）的大編碼器時，性能顯著下降，突顯了編碼器-LM平衡效率低下。在中等LM規模（360M）時，較大的編碼器將性能提高了11.6%，但這也伴隨著參數增加了66%，使得緊湊型編碼器更可取。只有在最大的LM規模（1.7B）時，較大的編碼器僅代表參數增加了10%。
圖片
圖片
Q2： 如何有效地將圖像傳遞給語言模型？
如何支持長上下文與對視覺token進行壓縮？為了提高模型的上下文處理能力，采用了自注意力架構，其中視覺Token與文本token連接，并由語言模型共同處理。這種方法需要比SmolLM2的2ktoken限制更多的上下文。
研究方法：通過增加RoPE基數從10k到273k來擴展上下文容量，并在長上下文數據（如Dolma書籍和The Stack）和短上下文數據（如FineWeb-Edu、DCLM和SmolLM2的數學數據）上進行微調。
發現：擴展上下文窗口對緊湊VLM有顯著的好處。對于1.7B的LM，微調在16ktoken時表現穩定，但對于較小的模型（135M和360M），在超過8k token時表現不佳。因此，研究者們為SmolVLM采用了16k token的上下文，并為較小的變體設定了8k token的限制。
圖片
圖片
像素重排：重新排列編碼圖像，以增加通道深度為代價換取空間分辨率。這減少了視覺標記數量，同時保持信息密度。
圖片
圖片
原理：將2×2空間區域重組為通道維度（上圖），token數減少4倍（r=2時）。
較小的VLMs從更激進的壓縮（r = 4）中受益，因為減少的token數減輕了注意力開銷并改善了長上下文建模
較小的VLMs從更激進的壓縮（r = 4）中受益，因為減少的token數減輕了注意力開銷并改善了長上下文建模
較小的VLMs從更激進的壓縮（r = 4）中受益，因為減少的token數減輕了注意力開銷并改善了長上下文建模
對比基線：InternVL等使用r=2，但SmolVLM證明小模型需更激進壓縮。
結論：小型VLM顯著受益于擴展的上下文長度。
Q3： 如何有效地編碼圖像和視頻？
在多模態建模中，平衡圖像和視頻之間的token分配至關重要。圖像通常需要更高的分辨率和更多的token來保持質量，而視頻則需要更少的token來高效處理長序列。
研究方法：采用了一種圖像分割策略，靈感來自UReader和SPHINX，將高分辨率圖像分割成多個子圖像，并保留原始圖像的縮小版本。這種方法在不增加過多計算開銷的情況下保持了圖像質量。
視頻處理：對于視頻，發現幀平均策略會負面影響性能（下圖）。因此，選擇不采用幀平均策略，而是將視頻幀重新縮放到圖像編碼器的分辨率。
圖片
圖片
結論：對于小型模型，圖像分割增強了視覺任務的表現，而視頻幀平均則不適用。
數據策略
數據配比：最終訓練集含14%文本、33%視頻、53%圖像
視覺（左側）和視頻（右側）的訓練數據集詳情，按模態和子類別細分
視覺（左側）和視頻（右側）的訓練數據集詳情，按模態和子類別細分
性能
圖片
圖片
圖片
衍生模型-端到端的PDF解析多模態模型SmolDocling
模型結構：就是SmolVLM
圖片
圖片
訓練數據（該模型核心）：訓練數據構造上，引入了一種新的文檔標記格式DocTags，用于標準化文檔轉換，這個是核心意義。DocTags定義了一個明確的標簽和規則集，以分離文本內容和文檔結構，從而提高圖像到序列模型的性能，如下圖：
圖片
圖片
對應的語法
圖片
圖片
從上面類XML標簽語法看來，感覺設計的非常冗余。整體上結合模型架構也沒什么特殊的創新點，并且，之前被自媒體吹得性能很強，實際上，該模型還是demo玩具。個人使用后觀點。
參考文獻：SmolVLM: Redefining small and efficient multimodal models，https://arxiv.org/pdf/2504.05299
開源地址：https://github.com/huggingface/smollm
