站长之家（chinaz.com）5月17日 消息:谷歌推出了一款名为的开源视觉语言模型，该模型结合了图像处理和语言理解的能力，旨在支持多种视觉语言任务，如图像和短视频字幕生成、视觉问答、图像文本理解、物体检测、文件图表解读以及图像分割等。
paligemma的关键特点:
- 多任务支持:paligemma能够处理多种视觉语言相关的任务，提供广泛的应用场景。
- 参数规模:该模型包含30亿（3b）个参数，是一个大型的多模态模型。
- 模型架构:paligemma结合了siglip视觉编码器和gemma语言模型，分别负责处理图像和文本输入。
siglip视觉编码器:
负责处理图像输入，将视觉信息编码为模型能够理解的格式。
gemma语言模型:
负责处理文本输入，并生成输出，将图像内容与语言任务结合起来。
paligemma的发布是谷歌在ai领域的又一项重要贡献，它不仅推动了视觉语言理解技术的发展，也为研究人员和开发者提供了强大的工具，以探索和创造新的应用。开源的特性意味着paligemma可以被社区广泛地使用、改进和集成到各种产品和服务中。
模型地址：https://huggingface.co/blog/paligemma