主要观点：介绍了 FastVLM 及其官方仓库，它是用于视觉语言模型的高效视觉编码，有不同规模的变体且在性能和延迟方面表现出色，提供了模型训练、推理相关的指导及多个模型的下载链接等。
关键信息：

• 引入 FastViTHD 新型混合视觉编码器，可减少高分辨率图像编码时间和输出令牌数。
• 最小变体性能超 LLaVA-OneVision-0.5B，TTFT 快 85 倍且视觉编码器小 3.4 倍。
• 较大变体用 Qwen2-7B LLM 超近期工作，单图像编码器 TTFT 快 7.9 倍。
• 提供 setup 步骤、模型动物园（不同规模模型及下载链接）、用法示例、在 Apple Silicon 和设备上的推理指导、引用方式及开源相关信息。
  重要细节：
• 使用 LLaVA 代码库训练 FastVLM 变体，训练或微调需遵循 LLaVA 代码库指导。
• 下载所有预训练检查点可运行bash get_models.sh命令。
• 在 Apple Silicon 上需将 PyTorch 检查点导出为适合的格式，提供了 3 个兼容格式的模型。
• 在 Apple 设备上推理可查看app子文件夹。
• 引用论文时需按照给定格式。
• 代码基于多个开源贡献，查看 LICENSE 和 LICENSE_MODEL。