معرفی FastVLM؛ مدل جدید اپل برای پردازش سریع تصویر و متن انقلابی در مدل‌های بینایی-زبانی

اپل به‌تازگی از FastVLM رونمایی کرده است؛ مدلی نوین در حوزه هوش مصنوعی که برای پردازش هم‌زمان تصویر و متن طراحی شده است. این مدل با تکیه بر معماری ترکیبی FastViTHD، قادر است تصاویر با وضوح بالا را به‌صورت سریع و دقیق تحلیل کند و هم‌زمان داده‌های متنی مرتبط را تولید نماید. هدف اصلی اپل از توسعه این مدل، ارائه تجربه‌ای کم‌هزینه، سریع و قابل‌اعتماد برای کاربران در دستگاه‌های شخصی است.

سرعت بی‌سابقه در پردازش

بر اساس گزارش‌ها، نسخه کوچک‌تر این مدل یعنی FastVLM-0.5B تا ۸۵ برابر سریع‌تر از مدل‌های مشابه (مانند LLaVA-OneVision) عمل می‌کند. نسخه بزرگ‌تر FastVLM-7B نیز با بهره‌گیری از مدل زبانی Qwen2-7B حدود ۷.۹ برابر سریع‌تر از رقبای هم‌رده خود عمل کرده و در عین حال دقت بالاتری در وظایف مختلف مانند پرسش و پاسخ تصویری، تشخیص متن در تصویر و تولید توضیحات دارد.

کاربردهای گسترده

این مدل می‌تواند در حوزه‌های متنوعی مورد استفاده قرار گیرد؛ از جمله:

دستیارهای هوشمند و ابزارهای کمکی برای نابینایان

رباتیک و سیستم‌های کنترلی

بازی‌ها و واقعیت افزوده

تولید زیرنویس و کپشن به‌صورت آنلاین و آفلاین

انتشار و دسترسی عمومی اپل نسخه‌های مختلف FastVLM (۰.۵B، ۱.۵B و ۷B) را در گیت‌هاب و Hugging Face منتشر کرده است. همچنین یک دموی مرورگری مخصوص مک‌های مجهز به تراشه اپل ارائه شده که امکان تجربه ویدئو کپشنینگ لحظه‌ای بدون نیاز به اینترنت را فراهم می‌کند. این موضوع مورد استقبال جامعه کاربری قرار گرفته و بسیاری از کاربران تأکید کرده‌اند که با این فناوری می‌توان وظایف پردازش تصویری را به‌صورت کاملاً لوکال و بدون ارسال داده‌ها به سرورهای خارجی انجام داد.

جایگاه در رقابت جهانی

FastVLM که مقاله علمی آن در کنفرانس CVPR 2025 ارائه شد، نشان‌دهنده حرکت جدی اپل در مسیر هوش مصنوعی کارآمد و قابل استفاده در سطح دستگاه‌های شخصی است. کارشناسان معتقدند این مدل می‌تواند راه را برای ورود نسل جدیدی از ابزارهای هوش مصنوعی باز کند که علاوه بر دقت بالا، سرعت پردازش بی‌نظیری دارند.