SigLIP 2: A better multilingual vision language encoder

Google 推出全新 SigLIP 2 視覺語言模型，顯著提升多語言能力、動態解析度與密集預測任務表現。

Google 與 Hugging Face 聯合發表 SigLIP 2 視覺語言編碼器。作為經典 SigLIP 的升級版，SigLIP 2 引入了動態解析度、自監督學習（SSL）輔助任務與更強的多語言支援。它在零樣本分類、圖文檢索及定位等任務上表現優異，並提供多種尺寸的模型，非常適合用作新一代多模態大模型（VLM）的視覺骨幹網路（Vision Backbone）。

摘要由 AI 整理,以原文為準。