ظهرت المشكلة التي تواجه نماذج الذكاء الاصطناعي: زادت عدد البكسلات، وأصبح العقل أكثر ساتوشي👨‍🎓، وزادت التفاصيل، وارتفعت الدقة، والنتيجة هي - أصبحت أبطأ!
وقت معالجة الصور عالية الدقة طويل، ويزيد من الضغط على نموذج اللغة، وكلما زادت الرموز البصرية، انخفضت السرعة📉.
التكنولوجيا رائعة، لكن سرعتها ليست كافية، مما يجعل القلب ينبض بسرعة!🤣🚀

FastVLM أسرع وأكثر دقة من VLMs الشائعة بنفس الحجم
تفوقت FastVLM على النماذج الأخرى في كل من السرعة والذكاء
إنه أسرع بمقدار 85× من LLava‑OneVision (0.5B)، وأسرع بمقدار 5.2× من SmolVLM (حوالي 0.5B)، وأسرع بمقدار 21× من Cambrian‑1 (7B)
هذا قفز سخيف

هناك أيضًا شيء يسمى التبليط الديناميكي
نهج AnyRes الكلاسيكي الخاص بك حيث تقوم بتقسيم الصور إلى بلاط ومعالجتها بشكل منفصل، ثم تغذي كل شيء إلى LLM
لقد اختبروا ذلك مع FastVLM أيضًا. اتضح أنه، بدون تقسيم، لا يزال FastVLM يعطي سلاسة أكبر

هل الذكاء الاصطناعي هو نهاية هندسة البرمجيات أم الخطوة التالية في تطورها؟