nanoVLM

nanoVLM es el repositorio más simple para entrenar/ajustar un modelo Vision-Language de tamaño pequeño con una implementación ligera en PyTorch puro. El código en sí es muy legible y accesible, el modelo consiste en un Vision Backbone (models/vision_transformer.py ~150 líneas), un Language Decoder (models/language_model.py ~250 líneas), una Modality Projection (models/modality_projection.py ~50 líneas) y el VLM mismo (models/vision_language_model.py ~100 líneas) y un bucle de entrenamiento simple (train.py ~200 líneas).