SigLIP 2：全新版本发布！

SigLIP 2是由谷歌DeepMind推出的先进的多语言视觉-语言模型，是SigLIP的升级版本，其强化了图像与文本之间的对齐能力。通过创新的训练方法和架构，SigLIP 2在多语言理解、零样本分类以及图像-文本检索等任务中表现出卓越性能。

SigLIP 2具有以下主要功能：

• 多语言支持：能够处理多种语言，提供优秀的多语言视觉-语言编码能力，适用于不同语言和文化背景。
• 零样本分类：无需特定任务微调即可进行新类别分类。
• 图像-文本检索：支持图像与文本的双向检索，快速找到最匹配的内容。
• 增强大型语言模型的视觉能力：可作为其他语言模型的视觉模块，提供高效的图像理解能力。
• 高效训练与优化：采用Sigmoid损失函数，克服了传统对比学习方法中的瓶颈，显著提升了训练效率。

SigLIP 2的技术原理包括采用Sigmoid损失函数、自监督学习与解码器预训练、动态分辨率支持、多语言支持与去偏技术、全局与局部特征的结合以及向后兼容性。

在应用场景上，SigLIP 2适用于多语言图像分类、视觉问答、文档理解以及开放词汇分割与检测等任务。您可以在Github仓库、HuggingFace模型库和arXiv技术论文中了解更多关于SigLIP 2的信息。