本文へスキップ

PaliGemma 2 mix

一つのモデルで多くの視覚言語タスクに対応

公式サイトを見る

PaliGemma 2 mix とは

本モデルは Google の Gemma 系に属する視覚言語モデルと紹介され、字幕生成や OCR、質問応答、検出、分割を扱う。3B、10B、28B のチェックポイントを視覚言語タスク向けに微調整できる。

できること

  • 長短の字幕を生成し OCR を行う
  • 画像への質問に答え物体を検出する
  • 画像を分割し Vertex Model Garden にデプロイする

活用場面

  • 短い動画に正確な字幕を付ける
  • 質問応答で画像の要点を得る
  • 分割で医学画像の解析を支える

長所と短所

✓ 良い点

  • 元の PaliGemma から変更なしで移行できる
  • 公式文書とサンプルコードが用意される

! 注意したい点

  • 利用前にチェックポイントの規模と解像度を選ぶ必要がある
  • 重みは Kaggle または Hugging Face から取得する

よくある質問

どの規模がある?

資料は 3B、10B、28B のチェックポイントと 224px、448px の解像度を挙げる。

対応フレームワークは?

資料は Hugging Face Transformers、Keras、PyTorch、JAX を挙げる。

最終評価日: 2026-11-15

その他 AIコーディングツール ツール

すべて見る →

評価方法