Apple FastVLM-7B 高效的视觉编码用于视觉语言模型 使用 Qwen2-7B LLM 的更大变体在使用单个图像编码器的情况下，以 7.9 倍的 TTFT 超越了最近的工作，如 Cambrian-1-8B 在 anycoder 中使用它进行视频字幕应用的 vibe 编码