跳到正文

PaliGemma2-3b-pt-224

Google 开发的图像与文本输入视觉语言模型

访问官网

PaliGemma2-3b-pt-224 是什么

PaliGemma 2 被介绍为由 Google 开发的视觉-语言模型,结合 SigLIP 与 Gemma 2,处理图像和文本输入。

你可以用它做什么

  • 用多种语言生成图像描述
  • 开展视觉问答任务
  • 对图像中的对象进行检测与分割

优点与缺点

✓ 我们认可的地方

  • 适用于多种视觉-语言任务的微调
  • 资料列出强大的多语言处理能力

! 需要留意的地方

  • 输出为基于图像与文本输入生成的文本
  • 面向特定任务需要微调

常见问题

结合了哪些模型?

资料说明结合 SigLIP 视觉模型与 Gemma 2 语言模型。

上手需要什么库?

资料说明需安装必要的库,例如 transformers。

最后评测: 2026-11-15

更多 AI 图像生成 工具

查看全部 →

评测方法