SmolVLM2发布：让每台设备都能理解视频

Hugging Face 发布 SmolVLM2，一个轻量级多模态模型，旨在让视频理解能力普及到各类设备。该模型在保持小参数量的同时，实现了对视频内容的有效理解，可运行于手机、边缘设备等资源受限环境。SmolVLM2 基于之前的 SmolVLM 改进，支持视频输入并输出文本描述，适用于视频摘要、问答等任务。模型权重已开源，开发者可下载使用。