5.2.7 视觉语言模型

功能介绍

本章节介绍如何使用视觉语言模型（VLM, Vision-Language Model）完成图像理解与文本生成任务。以 SmolVLM 为例，模型具备图像输入与自然语言输出的能力，支持本地离线推理。

克隆代码仓库

git clone https://gitee.com/bianbu/spacemit-demo.git
cd spacemit_demo/examples/NLP

安装依赖

安装模型及 Ollama 工具

sudo apt install spacemit-ollama-toolkit

下载并准备 SmolVLM 模型文件：

wget https://archive.spacemit.com/spacemit-ai/gguf/mmproj-SmolVLM-256M-Instruct-Q8_0.gguf
wget https://archive.spacemit.com/spacemit-ai/gguf/SmolVLM-256M-Instruct-f16.gguf
wget https://archive.spacemit.com/spacemit-ai/modelfile/smolvlm.modelfile
ollama create smolvlm:256m -f smolvlm.modelfile

⚠️ 如需更换模型，请对应修改 modelfile 文件内容。

安装 Python 环境依赖

sudo apt install python3-venv python3-pip

python3 -m venv .venv
source .venv/bin/activate

pip install -r requirements.txt

执行推理任务

运行以下命令以在本地图像上执行视觉语言模型推理：

python 08_vision_demo.py --image=bus.jpg --stream=True --prompt="describe this image"

模型将基于输入图像 bus.jpg 和文本提示 describe this image 输出自然语言描述结果。