本文へスキップ

PaliGemma2-3b-pt-224

Google による画像とテキストを扱う視覚言語モデル

公式サイトを見る

PaliGemma2-3b-pt-224 とは

本モデルは Google による視覚と言語の仕組みと紹介され、SigLIP と Gemma 2 を組み合わせて画像とテキストを扱う。

できること

  • 複数言語で画像の説明文を作る
  • 視覚質問応答の課題をこなす
  • 画像内の対象を検出し分割する

長所と短所

✓ 良い点

  • 多様な視覚言語の課題に向けた微調整が可能
  • 資料は強い多言語処理を挙げる

! 注意したい点

  • 出力は画像とテキストの入力から得られる文
  • 用途を絞るには微調整が要る

よくある質問

どのモデルを組み合わせる?

資料は視覚に SigLIP、言語に Gemma 2 を挙げる。

準備に必要なものは?

資料は transformers などの導入を挙げる。

最終評価日: 2026-11-15

その他 AI画像生成 ツール

すべて見る →

評価方法