FastVLM 0.5B
ブラウザと小規模な実験
手元の画像で説明、文字の読み取り、グラフへの質問を試せます。
0.5B を試すApple の視覚言語モデル
FastVLM
画像について質問し、ブラウザで試してから、Python または WebGPU でアプリを構築できます。
FastVLM は FastViTHD の視覚エンコーダと大規模言語モデルを組み合わせます。用途と端末に合わせてモデルの規模を選び、重みの形式、実行環境、メモリ要件を確認してください。
ブラウザデモにはコミュニティによる FastVLM-0.5B の ONNX 変換を使用します。初回のダウンロードは約 1.1 GB です。
適切なモデルから始める
モデル規模、学習ステージ、実行環境は別々の選択です。このサイトのブラウザデモは 0.5B を実行します。大きなモデルには対応するローカル環境が必要です。
FastVLM 1.5B
ローカル開発
Stage3 の重みを確認し、PyTorch、Transformers、Apple のネイティブアプリで必要なファイルを区別します。
Stage3 ガイドを読むFastVLM 7B
公開ベンチマークで高いスコア
公式の結果を比較し、実際に使う端末で遅延とメモリ使用量を測定してください。
モデルを比較最初の回答から自分のアプリまで
ベンチマークを正しく読む
公開スコアは特定のデータセットと条件による結果です。ブラウザ用の変換モデルが手元の端末で同じ性能を出すとは限りません。同じ評価項目の中で比較し、自分の画像でも確認してください。
スコアと評価条件を見るMac と iOS のガイド
モデル比較と独自テスト
Apple モデルと関連ガイド
- SHARP デモ：生成結果を見る
- 実際に動かせる Apple の AI モデル
- Apple Depth Pro：1枚の画像から鮮明なメトリック深度
- AIMv2：マルチモーダルモデル向け Apple のオープン視覚エンコーダ
- Luce：1枚の画像から再照明可能な3Dアセット
- STARFlow：拡散モデルに代わる Apple の正規化フロー
- Apple Foundation Models：AFM 3 ファミリーの解説
- Foundation Models フレームワーク：アプリのためのオンデバイス LLM セッション
- オンデバイスで動く小型視覚言語モデル
- MobileCLIP2：モデル選択から画像分類まで
- CLaRa-7B-Instruct
- DiffuCoder-7B-Instruct
- マイクロソフト A2A: AIエージェント連携とアプリケーション接続の新しいモデルの構築