Zyphra釋出Zamba2-VL：混合Mamba2-Transformer視覺語言模型，首Token延遲降低約一個數量級

Zyphra近日釋出了Zamba2-VL系列開放視覺語言模型（VLM），包含1.2B、2.7B和7B三種引數規模。該系列模型基於Zamba2混合狀態空間模型（SSM）與Transformer骨幹網路，遵循LLaVA風格架構：使用來自Qwen2.5-VL的Vision Transformer作為視覺編碼器，透過兩層MLP介面卡將影像特徵對映到語言模型空間。視覺編碼器採用2D旋轉位置嵌入和原生動態解析度處理，能夠高效處理多影像輸入和理解。

Zamba2-VL的核心創新在於其語言骨幹網路：混合了Mamba2狀態空間層和少量共享Transformer注意力層。Mamba2層以線性時間執行，狀態大小固定，負責大部分計算；共享注意力層則彌補純SSM模型在上下文檢索方面的不足，每層攜帶獨特的LoRA介面卡。這種設計在保持推理效率的同時，保留了注意力機制的檢索能力。

在14項基準測試中，Zamba2-VL展現了競爭力。以2.7B模型為例，DocVQA得分90.9，ChartQA得分79.6，OCRBench得分73.6。視覺計數是其強項：1.2B模型在PixMoCount上得分62.5，遠超InternVL3.5-1B的32.8和PerceptionLM-1B的17.7。然而，在知識密集型推理任務如MMMU和MathVista上，模型落後於同尺寸的Qwen3-VL和InternVL3.5。

推理速度是Zamba2-VL的主要優勢。Transformer注意力機制隨序列長度二次增長，而混合架構實現近線性時間預填充和固定大小的迴圈狀態。在32k token預填充下，首Token延遲比同類Transformer模型降低約一個數量級。這一優勢在1.2B和2.7B規模上最為顯著，適合裝置端和邊緣部署。

模型以Apache 2.0許可公開，權重和推理程式碼已在Hugging Face和GitHub上釋出。部署需使用Zyphra的transformers分支，並安裝最佳化的Mamba2 CUDA核心。CPU路徑較慢，建議在支援CUDA的GPU上執行。

Zamba2-VL在文件理解、表單提取、零售庫存計數等場景具有應用潛力。其低延遲特性尤其適合多頁PDF等長視覺輸入。模型仍為研究性質，知識推理和OCR能力有待提升，但為VLM的效率最佳化提供了新方向。