Google 发布多语言视觉语言编码器 SigLIP 2

Google 正式发布多语言视觉语言编码器 SigLIP 2，在零样本分类、图文检索及多模态下游迁移任务中全面超越前代 SigLIP。新模型在原 Sigmoid 损失基础上引入了文本解码器辅助任务、全局-局部自蒸馏与掩码预测，并推出支持原生宽高比的动态分辨率 naflex 变体。开源版本涵盖 86M 至 1B 参数规模，已全面集成到 Hugging Face Transformers 中。