Google开源视觉语言模型PaliGemma：基于SigLIP与Gemma-2B的开放权重

Google 发布开源视觉语言模型 PaliGemma，架构结合 SigLIP-So400m 图像编码器与 Gemma-2B 文本解码器。模型在 Hugging Face 提供预训练（pt）、混合任务微调（mix）及特定基准微调（ft）三种类型，支持 224x224 至 896x896 分辨率与多种精度。