paligemma-3b-mix-448
基于SigLIP和Gemma的多语言视觉语言模型
PaliGemma是一款基于SigLIP视觉模型和Gemma语言模型的视觉语言模型，采用3B参数的Transformer架构。该模型支持多语言输入输出，可用于图像描述、视觉问答和文本识别等任务。PaliGemma在多个大规模数据集上经过预训练，并通过严格的数据过滤确保了训练数据质量。模型适用于各类视觉语言任务的微调，在多项基准测试中展现了优异性能。
PaliGemma-3b-mix-448项目介绍
项目概述
PaliGemma-3b-mix-448是一个由Google开发的多功能、轻量级的视觉语言模型(VLM)。该模型受PaLI-3的启发，基于开放组件如SigLIP视觉模型和Gemma语言模型构建而成。PaliGemma-3b-mix-448可以同时接受图像和文本作为输入，并生成文本输出，支持多种语言。它被设计用于在广泛的视觉语言任务上实现领先的微调性能，如图像和短视频标题、视觉问答、文本阅读、物体检测和物体分割等。
模型架构
PaliGemma-3b-mix-448由一个Transformer解码器和一个Vision Transformer图像编码器组成，总参数量为30亿。具体而言：
- 文本解码器初始化自Gemma-2B模型
- 图像编码器初始化自SigLIP-So400m/14模型
- 整体模型遵循PaLI-3的训练方法
输入输出
- 输入：图像和文本字符串，如描述图像的提示或问题
- 输出：根据输入生成的文本响应，如图像描述、问题回答、对象边界框坐标列表或分割代码字
预训练数据集
PaliGemma-3b-mix-448在多个数据集上进行了预训练，包括：
- WebLI：一个大规模的多语言图像-文本数据集
- CC3M-35L：来自网页的英语图像-替代文本对，并翻译成34种额外语言
- VQ²A-CC3M-35L/VQG-CC3M-35L：VQ2A-CC3M的子集，同样翻译成34种额外语言
- OpenImages：基于OpenImages数据集生成的检测和物体感知问答
- WIT：从维基百科收集的图像和文本
数据责任过滤
为了确保训练数据的质量和安全性，项目团队对WebLI数据集应用了多重过滤，包括色情图像过滤、文本安全过滤、文本毒性过滤、个人信息过滤等。
使用方法
PaliGemma-3b-mix-448是一个单轮视觉语言模型，不适用于对话场景。它最适合通过微调来适应特定用例。用 户可以通过任务前缀（如"detect"或"segment"）来配置模型要解决的任务。该模型支持多种精度（float32、bfloat16、float16）和量化（4位/8位）运行，可在CPU或CUDA设备上使用。
性能评估
PaliGemma-3b-mix-448在多个基准测试中展现了优秀的性能，包括图像描述、问答、视觉推理等任务。模型在不同分辨率下（224x224、448x448）都取得了良好的结果，显示了其在各种视觉语言任务上的强大迁移能力。
总的来说，PaliGemma-3b-mix-448是一个功能强大、灵活多用的视觉语言模型，可以在多种视觉语言任务中发挥出色的性能，为研究人员和开发者提供了一个有价值的工具。
编辑推荐精选
Keevx
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台，广泛适用于电商广告、企业培训与社媒宣传，让全球企业与个人创作者无需拍摄剪辑，就能快速生成多语言、高质量的专业视频。
即梦AI
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能，助力创意创作
扣子-AI办公
AI办公助手，复杂任务高效处理
AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！
TRAE编程
AI辅助编程，代码自动修复
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号