Hugging Face 开源纯 PyTorch 视觉语言模型训练工具 nanoVLM

Hugging Face 开源了极简视觉语言模型训练工具库 nanoVLM，支持在纯 PyTorch 环境及免费 Colab 上构建并训练多模态模型。该项目受 nanoGPT 启发，默认组合 Google SigLIP 视觉编码器与 SmolLM2-135M 语言基座，通过 Pixel Shuffle 和线性层实现轻量模态对齐。