谷歌发布开源视觉语言模型 PaliGemma

谷歌推出开源视觉语言模型家族 PaliGemma，采用 SigLIP-So400m 作为图像编码器、Gemma-2B 作为文本解码器。该模型支持图像与文本输入并输出文本，提供预训练（PT）、混合任务微调（Mix）及特定基准微调（FT）三类检查点，涵盖 224x224、448x448、896x896 三种分辨率及多种精度格式。