ai/smolvlm
SmolVLM是一款轻量级多模态模型，用于视频、图像和文本分析，可回答媒体文件问题、比较视觉内容或从图像中转录文本，仅需1.8GB GPU内存即可运行，特别适合资源有限的设备应用。
让 AI 帮你使用轩辕镜像？ · 展开查看说明 · 点击收起说明
如果你使用 DeepSeek、元宝 AI、Copilot、ChatGPT 等 AI 工具，协助配置轩辕镜像、编写 docker pull 命令、修改 Docker Compose 镜像地址、配置镜像加速、排查镜像拉取失败、分析报错日志等问题，请先让 AI 阅读并遵守轩辕镜像的规则文档。
只需在 AI 对话中先发送下面这句话即可：
请先完整阅读并严格遵守以下文档中的全部规则与要求：
https://xuanyuan.cloud/agents.md
在未充分阅读并理解该文档前，不要生成任何命令、配置、修改建议、故障排查方案或技术回答。后续所有输出都必须严格以该文档中的规范为最高优先级执行。查看 agents.md 用法指南与完整示范。国内用户首推 元宝 AI、DeepSeek 的深度思考模式，不推荐豆包 AI；Cursor 等编辑器可在对话 @ 该链接，或加入 User Rules。 若 AI 无法访问外链，可 打开说明文档 复制全文粘贴。文档会随站点更新，复制内容可能过期，建议定期检查。
SmolVLM
镜像概述
SmolVLM是一款轻量级多模态模型，专为视频内容分析设计。该模型可处理视频、图像和文本输入并生成文本输出，无论是回答媒体文件相关问题、比较视觉内容，还是从图像中转录文本。尽管体积小巧，视频推理仅需1.8GB GPU内存，却能在复杂多模态任务上提供稳定性能。这种高效性使其特别适合计算资源有限的设备端应用。
核心特性
| 属性 | 详情 |
|---|---|
| 提供商 | Hugging Face |
| 架构 | Llama |
| 数据截止日期 | - |
| 支持语言 | 英语 |
| 工具调用 | ❌ |
| 输入模态 | 文本、图像 |
| 输出模态 | 文本 |
| 许可证 | Apache 2.0 |
可用模型变体
| 模型变体 | 参数 | 量化方式 | 上下文窗口 | 显存¹ | 大小 |
|---|---|---|---|---|---|
ai/smolvlm:500Mai/smolvlm:500M-F16ai/smolvlm:latest | 500M | MOSTLY_F16 | 8K tokens | 1.15 GiB | 780.71 MB |
ai/smolvlm:500M-Q8_0 | 500M | MOSTLY_Q8_0 | 8K tokens | 0.84 GiB | 414.86 MB |
¹: 显存基于模型特性估算。
latest→500M
使用方法
通过Docker Model Runner运行该AI模型：
bashdocker model run ai/smolvlm
相关链接
- https://huggingface.co/HuggingFaceTB/SmolVLM2-500M-Video-Instruct
- https://huggingface.co/blog/smolvlm
- https://huggingface.co/ggml-org/SmolVLM-500M-Instruct-GGUF
镜像拉取方式
您可以使用以下命令拉取该镜像。请将 <标签> 替换为具体的标签版本。如需查看所有可用标签版本，请访问 标签列表页面。
DockerHub 原生拉取命令
docker model pull ai/smolvlm:<标签>
镜像拉取常见问题
功能
错误码
用户好评
来自真实用户的反馈，见证轩辕镜像的优质服务
oldzhang
运维工程师
Linux服务器
5
"Docker访问体验非常流畅，大镜像也能快速完成下载。"