苹果在 Hugging Face上放大招了！这次直接甩出两条多模态主线：FastVLM主打「快」，字幕能做到秒回；MobileCLIP2主打「轻」，在 iPhone 上也能起飞。更妙的是，模型和Demo已经全开放，Safari网页就能体验。大模型，真·跑上手机了。 就在刚刚，苹果在Hugging Face上重磅开闸： 这一次不是零碎更新，而是FastVLM与MobileCLIP2两条多模态主线集中亮相。 一个主打「快」，把首字延迟压到竞品的1/85； 另一个突出「轻」，在保持与SigLIP相当精度的同时，体积减半。 打开摄像头实时字幕、离线识别翻译、相册语义搜索，这些场景都能体验。 更重要的是，模型和Demo都已经开放，科研、应用到落地一步到位。 实时字幕，不再卡顿的多模态 FastVLM为何这么快？因为它换上了苹果自研的FastViTHD编码器。 传统多模态模型要么牺牲分辨率，要么被成千上万的视觉token拖慢推理。 而FastViTHD通过动态缩放和混合设计，让模型既能看清高分辨率图像，又能保持极低的延迟。 FastVit 与 FastVitHD 的性能对比：绿色曲线整体更靠左上，代表在同等规模下既更快又 ...