Hugging Face presentó SmolVLM, un modelo multimodal abierto y compacto de 2.200 millones de parámetros diseñado para procesar secuencias de video, imágenes de alta resolución y documentos directamente en dispositivos locales sin requerir servidores en la nube.
La noticia en una frase
Hugging Face publicó SmolVLM, un modelo de visión y lenguaje de 2.2B parámetros que introduce compresión agresiva de parches visuales para analizar hasta 30 cuadros de video en dispositivos móviles y portátiles con menos de 4 GB de VRAM.
El alcance que cambia la lectura
La inferencia multimodal sobre video típicamente consume decenas de gigabytes de memoria gráfica debido a la explosión de tokens por fotograma. SmolVLM rompe este cuello de botella al implementar una estrategia de compresión espacial que reduce el número de tokens por imagen en un 60%, permitiendo ejecutar análisis de video interactivo en hardware de consumo sin latencias excesivas.
