Google 开源视觉语言模型 PaliGemma

Google 在 Hugging Face 上开源了其视觉语言模型 PaliGemma。该模型基于 SigLIP 视觉编码器和 Gemma 语言模型，能够处理图像与文本输入，并生成文本输出。PaliGemma 在多个视觉语言任务上表现出色，包括图像描述、视觉问答、光学字符识别等。模型权重以 Apache 2.0 许可证发布，支持研究者和开发者进行微调与部署。此次开源提供了不同规模的版本，以适应不同的计算资源需求。