参数
260M
上下文长度
8K
模态
Text
架构
Dense
KV 缓存速率
23 KB/tok
许可证
Apache 2.0
发布日期
11 Feb 2025
训练数据截止日期
-
API 价格 (每 1M)
仅支持自建托管
精度
上下文
工作负载显存: 2.80 GB
INT4 · 8K context
基础权重: 0.12 GB
KV 缓存: 0.18 GB
运行时与计算图: 2.50 GB
1x NVIDIA L4 24GB
2.8 / 21.6 GB usable
1x RTX 3060 12GB
2.8 / 10.8 GB usable
Apple M4 24GB
2.8 / 18.0 GB usable
确定特定工作负载的硬件需求:
在显存计算器中打开
权重格式
BF16
CUDA
>= 11.8
PyTorch
>= 2.1
Transformers
>= 4.47.1
| 微架构 | 精度 | 注意力算子 |
|---|---|---|
Blackwell, Hopper | 原生 BF16 | FlashAttention-3 |
Ada Lovelace, Ampere | 原生 BF16 | FlashAttention-2 |
没有可用的 SmolVLM2 256M Video Instruct 评估基准。
排名
-
编程排名
-
SmolVLM2 256M Video Instruct is a lightweight compact multimodal model tailored for video comprehension and instruction following on edge devices. It supports efficient multimodal reasoning with low memory and computational overhead.
注意力
注意力结构
Grouped-Query Attention
注意力头
9
键值头
3
注意力头维度
64
位置嵌入
ROPE
RoPE Theta
100,000
归一化
RMS Normalization
激活函数
SwigLU
维度
基准精度
BF16
隐藏维度大小
576
层数
30
FFN 中间层大小(稠密层)
1,536
分词器
词汇量大小
49,280