PaliGemma: Un VLM 3B versátil para transferencia

PaliGemma: A versatile 3B VLM for transfer

July 10, 2024

Autores: Lucas Beyer, Andreas Steiner, André Susano Pinto, Alexander Kolesnikov, Xiao Wang, Daniel Salz, Maxim Neumann, Ibrahim Alabdulmohsin, Michael Tschannen, Emanuele Bugliarello, Thomas Unterthiner, Daniel Keysers, Skanda Koppula, Fangyu Liu, Adam Grycner, Alexey Gritsenko, Neil Houlsby, Manoj Kumar, Keran Rong, Julian Eisenschlos, Rishabh Kabra, Matthias Bauer, Matko Bošnjak, Xi Chen, Matthias Minderer, Paul Voigtlaender, Ioana Bica, Ivana Balazevic, Joan Puigcerver, Pinelopi Papalampidi, Olivier Henaff, Xi Xiong, Radu Soricut, Jeremiah Harmsen, Xiaohua Zhai

cs.AI

Resumen

PaliGemma es un Modelo Abierto de Visión-Lenguaje (VLM) que se basa en el codificador de visión SigLIP-So400m y el modelo de lenguaje Gemma-2B. Está entrenado para ser un modelo base versátil y ampliamente informado que es efectivo para la transferencia. Logra un rendimiento sólido en una amplia variedad de tareas de mundo abierto. Evaluamos PaliGemma en casi 40 tareas diversas que incluyen benchmarks estándar de VLM, pero también tareas más especializadas como teledetección y segmentación.

English

PaliGemma is an open Vision-Language Model (VLM) that is based on the SigLIP-So400m vision encoder and the Gemma-2B language model. It is trained to be a versatile and broadly knowledgeable base model that is effective to transfer. It achieves strong performance on a wide variety of open-world tasks. We evaluate PaliGemma on almost 40 diverse tasks including standard VLM benchmarks, but also more specialized tasks such as remote-sensing and segmentation.