在众多为人工智能（AI）赋予“视觉”能力的模型中，谷歌的PaliGemma模型占据一席之地。作为谷歌的视觉语言模型，它能够识别图像中的物体和文字。近日，谷歌正式推出了全新的PaliGemma 2模型，并已投入使用。
PaliGemma初代模型已是一款实用的工具，能够识别图像中的物体，并为图像添加字幕，甚至还能为短视频添加字幕。PaliGemma的一个更为实用的功能是能够回答关于图像的问题。因此，它是一款功能强大的综合模型。
谷歌于今年5月正式向公众介绍了PaliGemma模型。谷歌希望PaliGemma 2能够成为初代模型的直接替代品。谷歌提供了多个版本的PaliGemma 2，包括30亿、100亿和280亿参数变体，以及224像素、448像素和896像素分辨率版本。
在其他规格方面，PaliGemma 2支持长文本字幕生成。谷歌表示，它将不仅仅局限于识别物体，还能识别人物并解读其情绪。因此，如果某人感到高兴、悲伤等情绪，PaliGemma 2都能捕捉到。
此外，该模型似乎还能识别场景中发生的更多内容，以讲述完整的故事。谷歌称，PaliGemma在识别乐谱、化学公式、识别深度以及制作胸部X光片报告方面表现更佳。谷歌为PaliGemma带来了相当显著的更新。如果你想使用它，可以在Hugging Face、Kaggle和Ollama平台上获取其代码。
谷歌还发布了其视频生成模型Veo的私有预览版。该公司在今年的谷歌I/O大会上宣布了这一消息。如果你正在使用谷歌的Vertex云平台，那么你将有机会进行尝鲜。你可以生成最高达1080p分辨率的视频。