Картинка + текст

PaliGemma

Модель зрения Google на базе Gemma, задуманная как основа для дообучения под узкую задачу: подписи, поиск объектов, чтение текста.

Разработчик
Google, США
Первый выпуск
май 2024
Последний выпуск
ноя 2024
Размеры
3B – 28B
Лицензия
Коммерция с условиямиGemma Terms of Use (коммерция разрешена с правилами использования)
Поставить на свой сервер Hugging Face

Какие задачи решает

  • Дообучение под свою задачу распознавания
  • Поиск объектов на фото
  • Чтение текста на изображениях
  • Подписи к фото

Где применяется

ПромышленностьРозницаИсследовательские команды

Требования к железу

НоутбукНоутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии
подходит
1 видеокартаОдна видеокарта на 16–80 ГБ — средние версии
подходит
КластерСервер с несколькими видеокартами — флагманские версии
нет версий

Версии

  1. PaliGemma 2 (3B, 10B, 28B)
  2. PaliGemma 3B

Как внедряю у заказчика

  1. ПодборВыбираю размер модели под задачу и ваше железо, проверяю на ваших примерах.
  2. УстановкаРазворачиваю на вашем сервере или в закрытом контуре, отдаю API.
  3. ДообучениеДообучаю на ваших данных (LoRA) или подключаю базу знаний — что дешевле для задачи.
  4. ВстраиваниеПодключаю к CRM, 1С, боту, сайту или рабочему чату, настраиваю мониторинг.

Похожие модели

ТекстGemmaGoogle · СШАМожно в коммерцию

Компактные модели Google: хорошо работают на одном компьютере, старшие версии понимают картинки.

ПодробнееКартинка + текстFlorence-2Microsoft · СШАМожно в коммерцию

Очень маленькая модель зрения: подписи, поиск объектов, сегментация и чтение текста по одной команде. Работает даже на процессоре.

ПодробнееКартинка + текстQwen-VLAlibaba (команда Qwen) · КитайМожно в коммерцию

Одна из сильнейших открытых моделей зрения: читает документы, таблицы, графики, видео, работает с интерфейсами. С Qwen3.5 зрение встроено прямо в основную модель Qwen.

Подробнее