Google發表開源視覺語言模型PaliGemma，支援多視覺語言任務

（取自Google臉書粉專）

Google近日宣布，推出了一款名為PaliGemma的開源視覺語言模型，該模型結合了圖像處理和語言理解的能力，旨在支援多種視覺語言任務，如圖像和短影音字幕生成、視覺問答、圖像文本理解、物體檢測、文件圖表解讀以及圖像分割等。

據悉，PaliGemma能夠處理多種視覺語言相關的任務，提供廣泛的應用場景，該模型包含30億（3B）個參數，是一個大型的多模態模型。

PaliGemma結合了SigLiP視覺編碼器和Gemma語言模型，分別負責處理圖像和文本輸入。

PaliGemma的發表，是Google在AI領域的又一項重要貢獻，它不僅推動了視覺語言理解技術的發展，也為研究人員和開發者提供了強大的工具，以探索和創造新的應用。

開源的特性意味著PaliGemma可以被社群廣泛地使用、改進和集成到各種產品和服務中。