CSS站长资源（ChinaZ.com）5月17日 消息:谷歌推出了一款名为PaliGemma的谷歌开源视觉语言模型，该模型结合了图像处理和语言理解的发布能力，旨在支持多种视觉语言任务，开源如图像和短视频字幕生成、视觉视觉视觉问答、语言语图像文本理解、模型物体检测、持多文件图表解读以及图像分割等。任务

PaliGemma的谷歌关键特点:

• 多任务支持:PaliGemma能够处理多种视觉语言相关的任务，提供广泛的发布应用场景。

• 参数规模:该模型包含30亿（3B）个参数，开源是视觉视觉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，语言语分别负责处理图像和文本输入。模型

SigLiP视觉编码器:

负责处理图像输入，持多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

(责任编辑：业界)