PaliGemma 2是Google DeepMind基于Gemma 2语言模型家族推出的新一代视觉语言模型（VLM），作为PaliGemma模型的升级版。结合SigLIP-So400m视觉编码器和不同规模的Gemma 2模型，支持多种分辨率，基于多阶段训练具备广泛的知识迁移能力。PaliGemma 2在多种学术任务上表现出色，尤其在大型模型和高分辨率配置下性能显著，同时在OCR、音乐乐谱识别和医学图像报告生成等新领域也取得了突破。

PaliGemma 2 – 谷歌DeepMind推出的全新视觉语言模型 第1张
（图片来源网络，侵删）
PaliGemma 2 – 谷歌DeepMind推出的全新视觉语言模型 第2张
（图片来源网络，侵删）