想要掌握如何将大模型的力量发挥到极致吗？叶梓老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具。

1小时实战课程，您将学习到如何轻松上手并有效利用 Llama Factory 来微调您的模型，以发挥其最大潜力。

CSDN教学平台录播地址：https://edu.csdn.net/course/detail/39987

视频号（直播分享）：sphuYAMr0pGTk27 抖音号：44185842659

现有视觉语言模型（VLMs）在提升输入图像分辨率以优化文本密集型图像理解任务性能时，面临视觉编码器效率低下的核心问题：主流视觉编码器（如 ViTs）在高分辨率下会产生大量 tokens，导致编码延迟显著增加，同时过多 tokens 还会延长大模型的预填充时间，最终使得模型的首 token 生成时间（TTFT）大幅上升，难以平衡分辨率、延迟与精度三者关系。为解决这一问题，Apple 团队提出 FastVLM 模型，其核心创新在于引入新型混合视觉编码器 FastViTHD，通过优化视觉编码流程与 token 生成机制，在无需额外 token 修剪操作的前提下，仅通过缩放输入图像即可实现分辨率、延迟与精度的最优权衡。

FastVLM 的设计围绕视觉编码器与大模型的协同优化展开。在视觉编码器层面，团队首先探索了 FastViT 混合架构在 VLM 中的应用，发现其凭借卷积组件的原生分辨率缩放能力与 Transformer 块的高质量 token 生成特性，展现出显著优势。如表 1 所示，当 FastViT 输入分辨率缩放至 768×768 时，能生成与 ViT-L/14（336×336 分辨率）相同数量的视觉 tokens，但在 TextVQA、DocVQA 等文本密集型基准测试中性能更优，且编码速度更快 —— latency 仅为 34.5ms，远低于 ViT-L/14 的 127.4ms，同时参数规模仅为 ViT-L/14 的 1/8.7。为进一步提升高分辨率场景下的效率，团队对 FastViT 进行架构优化，提出 FastViTHD：通过增加额外下采样阶段，使自注意力层在 32 倍下采样的张量上运行（而非现有模型的 16 倍），最终生成的 tokens 数量比 FastViT 减少 4 倍，比 ViT-L/14（336 分辨率）减少 16 倍。表 3 数据显示，FastViTHD 虽参数规模仅 125M（为 ViT-L/14 的 1/2.4），但在 38 项多模态零样本任务中平均性能与 ViT-L/14 持平，且编码 latency 仅 6.8ms，是 ViT-L/14 的 1/6.9，同时在检索任务上的平均性能还优于混合架构 ViTamin-L。

在模型性能与效率的平衡验证中，图 1 通过对比 FastViTHD 与 ViT-L/14、SigLIP-SO400M 等主流视觉编码器在不同大模型（Qwen2-0.5B、Vicuna-7B）下的表现，直观展现了 FastVLM 的优势：在 Qwen2-0.5B 大模型搭配下，FastViTHD 对应的 Avg-5 VLM 评估分数达 62%，而 TTFT 仅约 400ms，是 ViT-L/14（TTFT 约 800ms，分数 52%）的 1/2，同时参数规模更小（标记尺寸对应参数数量，FastViTHD 标记显著小于 ViT-L/14）。图 4 则进一步通过帕累托最优曲线对比 FastViTHD 与 FastViT 的性能 - 延迟关系：在相同 TTFT 预算下，FastViTHD 对应的 Avg-5 分数比 FastViT 高 2.5 个百分点以上；若目标性能一致，FastViTHD 可实现最高 3 倍的 TTFT 加速，且这一优势在不同分辨率与大模型规模组合下均稳定存在。

FastVLM 在静态与动态分辨率策略的选择上也有明确结论。图 6 显示，当输入分辨率未达到极端值（如 1536×1536）时，直接将模型输入分辨率设置为目标分辨率的静态策略，比 AnyRes 动态分块策略（如 768×768 拆分为 2×2、3×3 块）更优 —— 相同 TTFT 下静态策略的 Avg-5 分数更高，仅在 1536×1536 分辨率且分块数量较少（2×2）时，动态策略才展现出一定竞争力，这主要源于极端分辨率下的内存带宽限制。此外，表 5 对比 FastViTHD 与现有 token 修剪方法（如 ViT-L/14 M³、VisionZip）发现，FastViTHD 无需复杂的 token 修剪机制，仅通过降低输入分辨率（如 256×256）即可生成低至 16 个的视觉 tokens，且在 GQA（60.6）、TextVQA（53.1）等基准测试中分数高于多数修剪方法（如 ViT-L/14 M³ 16 个 tokens 时 GQA 仅 58.0），验证了其架构设计的高效性。

在与现有主流 VLM 的对比中，FastVLM 展现出显著的性能 - 效率优势。表 6 显示，与 LLaVA-OneVision（使用相同 0.5B Qwen2 大模型，1152×1152 分辨率）相比，FastVLM（1024×1024 分辨率）在 SeedBench、MMMU、DocVQA 等关键基准测试中性能更优（如 SeedBench I 达 69.2，LLaVA-OneVision 为 65.5），同时 TTFT 仅 166ms，是前者（14124ms）的 1/85，视觉编码器参数规模也仅为前者（SigLIP-SO400M，430M）的 1/3.4。与 ConvLLaVA（Vicuna-7B 大模型，768×768 分辨率）相比，FastVLM 在 TextVQA（67.5 vs 59.1）、DocVQA（57.3 vs 44.8）上分数更高，TTFT 却从 496ms 降至 387ms，参数规模从 200M 缩减至 125M。即使面对多视觉编码器模型（如 Cambrian-1，使用 ViT-L/14、ConvNeXt-XXL 等多个编码器），FastVLM 单编码器设计仍更高效 ——表 10 显示 Cambrian-1 的 TTFT 约 5085ms，而 FastVLM（1024×1024 分辨率，Qwen2-7B 大模型）仅 641ms，是前者的 1/7.9，同时表 11 中文本密集型任务（如 DocVQA 82.7 vs 77.8）性能更优。

FastVLM 的训练流程采用多阶段优化策略，表 8 与表 9 详细列出了 2 阶段与 4 阶段训练的参数设置：2 阶段训练中，Stage-1 仅训练投影层（学习率 1e-3，batch size 256），Stage-2 微调全模型（学习率 2e-5，batch size 128）；4 阶段训练则新增 Stage-1.5（分辨率适应预训练，使用 15M 样本）与 Stage-3（高质量指令微调，如 MammothVL 数据集），进一步提升模型在高分辨率与复杂任务上的性能。表 7 显示，随着训练数据规模扩大（如指令微调数据从 1.1M 增至 23.1M），FastVLM 在 ChartQA（71.4）、InfoVQA（43.3）等任务上的分数持续提升，验证了其数据扩展性。