nanoVLM 是一種極簡輕量級的視覺語言模型 (VLM)，專為高效的訓練和實驗而設計。使用純 PyTorch 構建，整個模型架構和訓練邏輯大約需要 750 行程式碼。它將基於 ViT 的圖像編碼器（SigLIP-B/16-224-85M）與輕量級因果語言模型（SmolLM2-135M）相結合，形成了一個緊湊的 222M 參數模型。該模型使用來自 cauldron 資料集的 170 萬個樣本在單一 H100 GPU 上訓練約 6 小時後，在 MMStar 上實現了 35.3% 的準確率，這使其成為低資源 VLM 研究的強大基線。