PaliGemma 2

PaliGemma 2是由Google DeepMind基于Gemma 2语言模型家族开发的全新视觉语言模型（VLM）。作为PaliGemma的升级版本，该模型集成了SigLIP-So400m视觉编码器与不同规模的Gemma 2模型，支持多分辨率图像处理，并通过多阶段训练实现广泛的知识迁移能力。PaliGemma 2在学术任务中表现优异，特别是在高分辨率配置下，其性能尤为突出。此外，它还在OCR、音乐乐谱识别及医学图像报告生成等领域展现了创新成果。