SigLIP 2 是Google DeepMind 提出先进的多语言视觉-语言模型 ，是 SigLIP 的升级版本，提升图像与文本之间的对齐能力。通过改进的训练方法和架构，显著增强了模型在多语言理解、零样本分类、图像-文本检索等任务中的表现。SigLIP 2能处理多种语言的文本输入，与图像进行精准匹配。引入了自监督学习技术，如掩码预测和自蒸馏，进一步优化了模型的特征提取能力。SigLIP 2 提供了两种变体：FixRes（固定分辨率）和 NaFlex（支持多种分辨率和宽高比），能适应不同分辨率的图像输入。

SigLIP 2 – 谷歌 DeepMind 推出的多语言视觉语言编码器模型 第1张