Google 开源视觉语言模型 PaliGemma

Google 推出开源视觉语言模型 PaliGemma，由 SigLIP-So400m 图像编码器与 Gemma-2B 文本解码器组成，已全面集成至 Hugging Face。该系列包含预训练、多任务混合以及学术微调三类权重，提供三种输入分辨率与多种精度选择。模型适用于图像标注、目标检测与指代分割等任务，支持通过 transformers 进行 4-bit 量化推理与 QLoRA 微调。