PaliGemma：Google 的前沿開源視覺語言模型

Google 發佈 PaliGemma，一系列可接收圖像與文字並輸出文字的開源視覺語言模型。模型結合 SigLIP-So400m 圖像編碼器與 Gemma-2B 文字解碼器，提供 PT、Mix、FT 三類檢查點及 224x224、448x448、896x896 三種解像度。PaliGemma 是單輪模型，不適用於對話；Mix 檢查點適合以自由文字提示進行通用推理，但僅供研究用途。