Google 发布了 PaliGemma 2 Mix，一个集图像描述、OCR、问答、目标检测和分割于一身的开源视觉语言模型 。目的通过其多任务处理能力和灵活的模型选择，推动视觉语言任务的进步。PaliGemma 2 Mix模型结合了多种输入分辨率的支持，提供方便的微调选项，使它适合在多种实际场景中应用。

PaliGemma 2 Mix功能特征

多模态处理能力：PaliGemma 2 Mix能够处理多种任务，包括短文本和长文本描述、光学字符识别 (OCR)、图像问答、目标检测和图像分割等。

模型规模和分辨率的灵活性：提供3B、10B和28B参数的不同模型规模，以及224px和448px的分辨率选择，满足不同任务需求。

开发者友好：兼容主流框架如Hugging Face Transformers、Keras、PyTorch、JAX和Gemma.cpp，便于开发者使用和微调。

直接应用性：用户可以直接利用该模型进行任务，无需复杂的微调过程，实现了“开箱即用”的便捷性。

跨模态特征融合：结合SigLIP图像编码器和Gemma-2B语言模型，通过线性投影层实现图像与文本特征的有效融合，提升了模型的多模态理解能力。

PaliGemma 2 Mix应用场景

图像识别与描述：自动生成图像的详细描述，适用于社交媒体、内容管理和搜索引擎优化。

视觉问答(VQA)：在教育和娱乐应用中，回答用户关于图像内容的问题。

光学字符识别(OCR)：识别图像中的文字，用于文档数字化、历史文献存档和自动数据提取。

科学问题解答：在科学领域，PaliGemma 2 Mix能够理解和回答复杂的科学问题。

文本相关任务：包括文本检测、识别、表格结构识别、分子结构识别、乐谱识别等。

电商与内容生成：自动为商品图片生成描述，提高产品列表的吸引力。

PaliGemma 2 Mix使用方法

安装依赖：首先需要安装transformers库的4.47或更高版本。

加载模型：使用AutoProcessor和PaliGemmaForConditionalGeneration类加载预训练模型。

图像处理：使用PIL库加载和处理图像。

推理：将图像和文本提示输入模型，获取输出结果。

PaliGemma 2 Mix发布后，将会成开发者手里一个强大又灵活的工具，在好多视觉语言任务里都能有很好的表现。不管是识别图像、生成图像描述，还是解答科学问题，它都有很大的应用潜力，用起来也很实用。

Hugging Face 演示：https://huggingface.co/spaces/google/paligemma2-10b-mix

技术论文报告：https://arxiv.org/abs/2412.03555