Google 發佈 PaliGemma 2 Mix 指令式視覺語言模型

Google 發佈 PaliGemma 2 Mix，這組視覺語言模型是在 OCR、長短圖像描述等任務上微調的 PaliGemma 2 版本。模型提供 3B、10B、28B 三種規模，以及 224 和 448 兩種解析度。模型涵蓋視覺問答、文件理解、圖中文字辨識和物件定位；物件偵測與圖像分割需使用任務前綴，其餘任務使用開放式提示詞表現較佳。