去年 12 月，谷歌推出了 PaliGemma 2 ，这是Gemma系列中的升级版视觉语言模型。该版本包含不同大小（3B、10B 和 28B 参数）的预训练检查点，可轻松针对各种视觉语言任务和领域进行微调，例如图像分割、短视频字幕、科学问答和文本相关任务，并实现高性能。
2月19日，谷歌宣布推出 PaliGemma 2 mix 检查点。PaliGemma 2 mix 是针对多种任务进行调整的模型，允许直接探索模型功能并将其开箱即用，用于常见用例。
PaliGemma 2 mix 有什么新功能？
-
一个模型可完成多项任务：PaliGemma 2 mix 可以解决短字幕和长字幕、光学字符识别 (OCR)、图像问答、对象检测和分割等任务。
-
适合开发人员的尺寸：借助不同的模型尺寸（3B、10B 和 28B 参数）和分辨率（224px 和 448px），使用最适合您需求的模型。
-
与您喜欢的框架一起使用：利用您喜欢的工具和框架，包括Hugging Face Transformers、Keras、PyTorch、JAX 和Gemma.cpp。
如果已经在使用原始的 PaliGemma 混合检查点，则可以直接升级到 PaliGemma 2，而无需进行任何更改。该模型根据提示方式执行不同的任务。
效果展示
检测
-
任务：检测（PaliGemma-2-3b-mix-224）
-
输入："detect android\n"
结果
多物体检测
-
任务：多目标检测（PaliGemma-2-3b-mix-224）
-
输入："检测椅子；桌子\n"
结果
- 餐厅内物品的多物体检测
结果：
光学字符识别 (OCR)
-
任务：多目标检测（PaliGemma-2-3b-mix-224）
-
输入-"ocr\n"
结果：
分割
-
任务：分割 (PaliGemma-2-3b-mix-224)
-
输入-"segment cat\n"
结果
问答
-
任务：问答 (PaliGemma2-mix-3b-448)
-
输入："答案 en 牛站在哪里？\n"
结果
beach
字幕
- 输入："caption en\n"
结果
a cow standing on a beach next to a sign that says warning dangerous rip current.
光学字符识别 (OCR)
结果：
-
WARNING
-
DANGEROUS
-
RIP CURRENT