PaliGemma – Google's Cutting-Edge Open Vision Language Model

Google 推出開源視覺語言模型 PaliGemma，結合 SigLIP 與 Gemma，專為圖像問答、偵測與微調設計。

Google 發表全新開源視覺語言模型 PaliGemma，結合了 SigLIP 視覺編碼器與 Gemma-2B 語言模型。PaliGemma 具備強大的圖像描述、視覺問答（VQA）、物件偵測與 OCR 能力，並提供多種解析度版本。該模型已深度整合至 Hugging Face 生態系，非常適合開發者進行特定下游任務的微調。

摘要由 AI 整理,以原文為準。