跳到正文

PaliGemma 2 mix

一个模型覆盖多种视觉语言任务

访问官网

PaliGemma 2 mix 是什么

PaliGemma 2 mix 被介绍为 Google 推出的 Gemma 家族视觉语言模型,覆盖字幕生成、OCR、图像问答、目标检测与分割。它提供 3B、10B、28B 参数的预训练检查点,可针对各类视觉语言任务微调。

你可以用它做什么

  • 生成长短字幕并进行 OCR 识别
  • 对图像做问答并检测目标
  • 分割图像并在 Vertex Model Garden 部署

应用场景

  • 为短视频生成准确的字幕
  • 通过图像问答获取图像中的关键信息
  • 用分割功能辅助医学图像分析

优点与缺点

✓ 我们认可的地方

  • 无需更改即可从原始 PaliGemma 升级
  • 提供官方文档与示例代码

! 需要留意的地方

  • 使用前需选定检查点规模与分辨率
  • 模型权重需从 Kaggle 或 Hugging Face 下载

常见问题

提供哪些规模?

资料列出 3B、10B、28B 检查点及 224px、448px 两种分辨率。

兼容哪些框架?

资料列出 Hugging Face Transformers、Keras、PyTorch 与 JAX。

最后评测: 2026-11-15

更多 AI 编程工具 工具

查看全部 →

评测方法