ai 搜索公司 jina ai 正式推出全新视觉语言大模型 jina-vlm，该模型拥有 24 亿参数，是当前开源领域中规模达 20 亿级的 vlm 中，在多语言视觉问答任务上表现最为领先的模型。
Jina-VLM 创新性地融合了 SigLIP2 视觉编码器与 Qwen3 语言主干网络，并通过注意力池化连接器（Attention Pooling Connector）实现高效跨模态对齐。这一设计使其在覆盖 29 种语言的多语言场景下均展现出强大性能，同时兼顾推理速度与资源占用。其整体架构如图所示，清晰呈现了“SigLIP2 视觉编码器 → VL-Connector → Qwen3 语言基座”的信息流向。
得益于轻量化的结构设计与优化策略，Jina-VLM 对硬件要求极低，可在主流消费级 GPU 或 Apple M 系列芯片的 MacBook 上稳定、流畅运行。
实测结果显示：无论是在标准视觉问答（VQA）、多语言多模态理解（MMMB、MMBench），还是 OCR 解析与纯文本推理（如常识问答、数学推理）等多样化任务中，Jina-VLM 均达到同参数量级模型中的顶尖水平，并同步实现了面向消费级设备的高度友好型推理效率。
论文地址：https://www.php.cn/link/3a532033aa5b0c64d1a7b2b13e4b5d33
Hugging Face 模型页：https://www.php.cn/link/76daf89ce28106580694a0eea18a27ee
源码获取：点击下载
以上就是Jina-VLM：可在笔记本上跑的多语言视觉小模型的详细内容，更多请关注php中文网其它相关文章！
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
广告Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
433
收藏
