Hugging Face推SmolLM小语言模型 支持iPhone 15运行Python编程
HuggingFace发布SmolLM系列小语言模型，含1 35亿、3 6亿和17亿参数三个版本。模型优化RAM占用，可在6GB内存的iPhone15上流畅运行。训练使用自建6000亿token数据集，Python编程表现突出。基准测试中，三个版本分别领先各自参数级别的同类模型。
小型语言模型（SLM）近期热度持续攀升。众多厂商纷纷推出适配手机等轻量设备的端侧模型，而本周 Hugging Face 也正式发布了旗下 SmolLM 系列——包含 1.35 亿、3.6 亿和 17 亿参数三个版本。其核心目标非常明确：在终端设备上实现高效运行，并保证出色的性能表现。
据官方介绍，SmolLM 系列模型采用经过精心筛选的高质量训练数据集，在 Python 编程任务上展现出卓越性能。更值得关注的是，开发团队重点优化了模型运行时的内存占用——即使是在仅有 6GB RAM 的 iPhone 15 上，也能流畅执行。简而言之，这一系列模型旨在将大型语言模型的能力高效压缩至小型设备中。
训练过程同样值得深入探讨。Hugging Face 团队首先构建了一个名为 SmolLM-Corpus 的自研数据集，该数据集融合了三种类型的内容：Python 编程教学材料 Python-Edu、Web 教育内容 FineWeb-Edu，以及通过 Mixtral-8x7B-Instruct-v0.1 和 Cosmopedia v2 两个模型生成的常识性知识。整个数据集的总 token 量高达 6000 亿。随后，团队利用这一数据集对 SmolLM 系列模型进行训练。
基准测试成绩是衡量模型实力的硬性指标。SmolLM-135M 在所有参数规模低于 2 亿的模型中表现领先；SmolLM-360M 则击败了所有 5 亿参数以下的竞品——不过在某些测试项目上不敌 Meta 刚发布的 MobileLLM-350M，这一结果需要客观看待。而最大的 SmolLM-1.7B 表现最为强劲，直接超越了所有 20 亿参数以下的模型，包括微软的 Phi-1.5、MobileLLM-1.5B 以及 Qwen2。从数据来看，SmolLM 在轻量级模型领域确实站稳了脚跟。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Hugging Face推SmolLM小语言模型 支持iPhone 15运行Python编程要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点vivo下一代旗舰机型X500ProMax的影像配置细节曝光。据悉，该机主摄或将采用索尼5000万像素1 1 28英寸LOFIC技术超大底传感器，长焦镜头则配备2亿像素大底潜望式镜头，超广角镜头也在测试升级。新机命名延续了vivo跳过“4”的迭代策略，预计将作为X300系列的继任者，其“Pro
在COMPUTEX2026上，ThermalGrizzly（暴力熊）展示了多项PC散热创新技术。其中最引人注目的是MycroDirect-DieDiamond方案，该方案在开盖处理器冷头内部通过CVD工艺沉积金刚石膜，利用其超高导热性提升散热极限，但因成本高昂，主要面向工业研究。同时，品牌与
工作流编排常因变量传递和JSON解析失败。应从单节点链路开始，确保变量类型与输入一致。多节点串联时可用代码节点清洗JSON数据，提取关键字段并赋值给清晰变量。通过条件分支过滤无效数据，避免流程崩溃。调试时需逐节点检查输入输出，确保各环节正常工作后再发布。
针对WPSAI生成个人IP选题时偏离主题的问题，设置三道过滤闸门：身份与动作双约束封死泛化入口；布尔逻辑排除法切断干扰项；植入不可绕过的实体锚点，锁定来源、文件路径和动词颗粒度，可解决八成以上跑偏问题。
- 日榜
- 周榜
- 月榜
热点快看