Google 开源视觉语言模型 PaliGemma

Google 推出开源视觉语言模型 PaliGemma，由 SigLIP-So400m 图像编码器与 Gemma-2B 文本解码器通过线性投影层组合而成。该系列包含预训练、多任务混合与学术微调三种版本，提供 224x224、448x448 及 896x896 三种分辨率，支持图像描述、视觉问答、目标检测及指代分割等任务。