SmolVLM-256M est un modèle multi-modal développé par Hugging Face, basé sur l'architecture Idefics3, spécialement conçu pour le traitement efficace des entrées image et texte. Il peut répondre aux questions sur les images, décrire le contenu visuel ou transcrire du texte, et ne nécessite qu'un peu moins de 1 Go de mémoire GPU pour l'inférence. Ce modèle offre d'excellentes performances sur les tâches multi-modales tout en conservant une architecture légère, ce qui le rend adapté aux applications embarquées. Ses données d'entraînement proviennent des jeux de données The Cauldron et Docmatix, couvrant de nombreux domaines tels que la compréhension de documents et la description d'images, lui conférant un potentiel d'application large. Ce modèle est actuellement disponible gratuitement sur la plateforme Hugging Face, dans le but de fournir aux développeurs et aux chercheurs de puissantes capacités de traitement multi-modal.