手机AI新模型本地看懂图片文档，速度提升19倍

Tether AI Research 发布了 VisionPsy-Nano，一个约4.6亿参数的视觉语言模型家族，专门为手机和边缘设备设计。它有两个版本：注重质量的 VisionPsy-Nano-460M，和注重速度的 VisionPsy-Nano-460M-Flash。

速度：手机上的延迟几乎不可感知

Flash 版本的最大卖点是快。在 Pixel 9、Galaxy S23 和 S25 Ultra 上，它输出第一个字符的速度比同类模型 nanoVLM-460M-8k 和 SmolVLM2-500M 快了约19到23倍。在 iPhone 15 上，这个数字达到了36倍。完成一次描述任务，在 Pixel 9 上只需10.6秒，比 LFM2.5-VL-450M 快2.5倍。

速度提升的关键是 Flash 版大幅压缩了视觉信息——一张512x512的图片只生成64个视觉标记，而其他模型用了1088个。质量几乎没有牺牲：标准化得分从62.3降到61.4，保留了约99%的能力。

性能：小体积也能胜过更大模型

在17个常见基准测试中，质量版在16个上优于同尺寸（约5亿参数）的竞品，包括 LFM2.5-VL-450M、SmolVLM2-500M 和它自己的前身 nanoVLM-460M-8k。能力被分为四类：文档理解与OCR、视觉感知、推理与知识、指令遵循与可靠性。质量版在全部四个类别中排第一。在指令遵循与可靠性类别中，它甚至胜过比它大1.6到2.3倍的模型，比如 FastVLM-0.5B、Qwen3.5-0.8B 和 InternVL3.5-1B。

开源：开发者可以免费集成

模型以 Apache 2.0 许可证开源，权重开放，可在 Hugging Face 和 GitHub 上获取。它支持三种推理路径：全精度的 Transformers（参考用）、GGUF 量化版本（手机上跑）、vLLM（服务器高吞吐推理）。开发者可以把它集成到拍照翻译、文档扫描、智能助手等应用里，部署成本很低。

安全与限制

模型经过安全红队测试，在288个对抗案例中的通过率为76.9%，高于 nanoVLM-460M-8k 的65.9%和 SmolVLM2-500M 的61.9%。不过它目前只擅长处理单张图片——适合拍照问路牌、看说明书、分析单张图表，但无法处理多图或视频。语言方面，主要支持英语，其他语言尚未正式支持。Tether AI 表示欢迎社区进行微调。接下来计划发布完整技术报告和一个浏览器里的 WebGPU 演示。

这是 Tether AI 在端侧视觉语言模型领域的首次出手，后续是否会发布更大参数版本或支持多语言，尚未明确。