PaliGemma: Универсальная 3B VLM для передачи

PaliGemma: A versatile 3B VLM for transfer

July 10, 2024

Авторы: 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

Аннотация

PaliGemma - это открытая модель видео-языка (VLM), основанная на визионном кодировщике SigLIP-So400m и языковой модели Gemma-2B. Она обучена быть универсальной и широко осведомленной базовой моделью, которая эффективна для передачи знаний. Она демонстрирует высокую производительность на широком спектре задач в открытом мире. Мы оцениваем PaliGemma на почти 40 разнообразных задачах, включая стандартные бенчмарки VLM, а также более специализированные задачи, такие как дистанционное зондирование и сегментация.

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.