اخیراً نسخه‌های کوچک‌تر مدل SmolVLM معرفی شده‌اند که شامل دو مدل با ظرفیت 256 میلیون و 500 میلیون پارامتر هستند. این مدل‌ها بهینه‌سازی شده‌اند تا عملکرد مناسبی را با حجم کمتری از منابع ارائه دهند و به همین دلیل می‌توانند در دستگاه‌های با محدودیت سخت‌افزاری بهتر استفاده شوند.
با این حرکت، SmolVLM در زمینه هوش مصنوعی تصویری و زبانی به سمت آماده‌سازی برای کاربردهای وسیع‌تر و سبک‌تر حرکت می‌کند که می‌تواند تأثیر چشمگیری در توسعه تکنولوژی‌های هوش مصنوعی داشته باشد.