当前位置：首页 > news >正文

多模态大模型轻量化探索-开源SmolVLM模型架构、数据策略及其衍生物PDF解析模型SmolDocling

news 来源：原创 2025/5/6 14:44:36

在《多模态大模型轻量化探索-视觉大模型SAM的视觉编码器》介绍到，缩小视觉编码器的尺寸，能够有效的降低多模态大模型的参数量。再来看一个整体的工作，从视觉侧和语言模型侧综合考量模型参数量的平衡模式，进一步降低参数量，甚至最小达256M参数量，推理时显存占用<1GB。下面来看看，仅供参考。

模型架构

SmolVLM 架构。图像被分割成子图像，从视频中采样帧，然后编码成视觉特征。这些特征首先通过像素重排，然后通过MLP投影映射到LLM输入空间作为视觉标记。然后，视觉标记与文本嵌入（橙色/红色）连接/交错。这个组合序列被传递给LLM进行文本输出。

那么，如何设计一个高效的小型多模态模型架构？

Q1：如何在视觉和语言模型之间分配计算？

传统大型VLMs（如Flamingo）将90%以上参数分配给语言模型（LM），但SmolVLM发现：小规模LM需重新平衡视觉与语言的计算资源。

研究方法：将三种不同规模的SmolLM2变体（135M、360M和1.7B参数）与两种SigLIP编码器（一个紧凑的93M SigLIP-B/16和一个较大的428M SigLIP-SO400M）进行配对。

发现：通常情况下，较大的VLM会不均衡地将参数分配给语言模型，但在小型模型中，这种分配方式不再适用。当使用大型编码器与最小的LM（135M）时，性能显著下降，表明这种配置效率低下。在中等规模的LM（360M）中，较大的编码器可以提高性能，但会增加66%的参数。只有在最大的LM（1.7B）中，较大的编码器仅增加10%的参数。

结论：紧凑的多模态模型受益于平衡的编码器-LM参数分配，使得较小的视觉编码器在效率上更具优势。即：模型越小，视觉编码器应更轻量，避免“头重脚轻”。当使用具有最小LM（135M）的大编码器时，性能显著下降，突显了编码器-LM平衡效率低下。在中等LM规模（360M）时，较大的编码器将性能提高了11.6%，但这也伴随着参数增加了66%，使得紧凑型编码器更可取。只有在最大的LM规模（1.7B）时，较大的编码器仅代表参数增加了10%。

Q2：如何有效地将图像传递给语言模型？

如何支持长上下文与对视觉token进行压缩？为了提高模型的上下文处理能力，采用了自注意力架构，其中视觉Token与文本token连接，并由语言模型共同处理。这种方法需要比SmolLM2的2ktoken限制更多的上下文。

研究方法：通过增加RoPE基数从10k到273k来扩展上下文容量，并在长上下文数据（如Dolma书籍和The Stack）和短上下文数据（如FineWeb-Edu、DCLM和SmolLM2的数学数据）上进行微调。

发现：扩展上下文窗口对紧凑VLM有显著的好处。对于1.7B的LM，微调在16ktoken时表现稳定，但对于较小的模型（135M和360M），在超过8k token时表现不佳。因此，研究者们为SmolVLM采用了16k token的上下文，并为较小的变体设定了8k token的限制。

像素重排：重新排列编码图像，以增加通道深度为代价换取空间分辨率。这减少了视觉标记数量，同时保持信息密度。

原理：将2×2空间区域重组为通道维度（上图），token数减少4倍（r=2时）。

较小的VLMs从更激进的压缩（r = 4）中受益，因为减少的token数减轻了注意力开销并改善了长上下文建模

对比基线：InternVL等使用r=2，但SmolVLM证明小模型需更激进压缩。

结论：小型VLM显著受益于扩展的上下文长度。

Q3：如何有效地编码图像和视频？

在多模态建模中，平衡图像和视频之间的token分配至关重要。图像通常需要更高的分辨率和更多的token来保持质量，而视频则需要更少的token来高效处理长序列。

研究方法：采用了一种图像分割策略，灵感来自UReader和SPHINX，将高分辨率图像分割成多个子图像，并保留原始图像的缩小版本。这种方法在不增加过多计算开销的情况下保持了图像质量。

视频处理：对于视频，研究者们发现帧平均策略会负面影响性能（下图）。因此，选择不采用帧平均策略，而是将视频帧重新缩放到图像编码器的分辨率。

结论：对于小型模型，图像分割增强了视觉任务的表现，而视频帧平均则不适用。

数据策略

数据配比：最终训练集含14%文本、33%视频、53%图像

视觉（左侧）和视频（右侧）的训练数据集详情，按模态和子类别细分

性能

衍生模型-端到端的PDF解析多模态模型SmolDocling

模型结构：就是SmolVLM

训练数据（该模型核心）：训练数据构造上，引入了一种新的文档标记格式DocTags，用于标准化文档转换，这个是核心意义。DocTags定义了一个明确的标签和规则集，以分离文本内容和文档结构，从而提高图像到序列模型的性能，如下图：

对应的语法：

从上面类XML标签语法看来，感觉设计的非常冗余。整体上结合模型架构也没什么特殊的创新点，并且，之前被自媒体吹得性能很强，实际上，该模型还是demo玩具。个人使用后观点。

参考文献：SmolVLM: Redefining small and efficient multimodal models，https://arxiv.org/pdf/2504.05299

开源地址：https://github.com/huggingface/smollm

模型架构

Q1： 如何在视觉和语言模型之间分配计算？

Q2： 如何有效地将图像传递给语言模型？

Q3： 如何有效地编码图像和视频？

数据策略

性能

衍生模型-端到端的PDF解析多模态模型SmolDocling

相关文章：

Q1：如何在视觉和语言模型之间分配计算？

Q2：如何有效地将图像传递给语言模型？

Q3：如何有效地编码图像和视频？