PaliGemma 2 Mix是谷歌DeepMind发布的最新多任务视觉语言模型（VLM）。集成了多种视觉和语言处理能力，支持图像描述、目标检测、图像分割、OCR以及文档理解等任务，能在单一模型中灵活切换不同功能。模型提供三种不同参数规模（3B、10B、28B），满足不同场景的需求，同时支持224px和448px两种分辨率，兼顾性能与资源平衡。PaliGemma 2 Mix基于开源框架（如Hugging Face Transformers、Keras、PyTorch等）开发，易于使用和扩展，开发者可通过简单提示切换任务，无需额外加载模型。

PaliGemma 2 mix – 谷歌DeepMind推出的升级版视觉语言模型 第1张
（图片来源网络，侵删）
PaliGemma 2 mix – 谷歌DeepMind推出的升级版视觉语言模型 第2张
（图片来源网络，侵删）