Googleが「PaliGemma 2」を発表：Gemma 2ベースで微調整も容易に

PaliGemma 2は、Googleが公開したオープンなビジョン言語モデル（VLM）です。高性能なGemma 2をベースに開発されており、テキストだけでなく画像を入力として受け取り、見て、理解し、対話する能力を備えています。

独自の画像データセットを使って特化型AIを作りたい開発者にとって、手軽に扱えるファインチューニングの土台となるモデルです。

何ができるのか

PaliGemma 2の最大の特徴は、画像とテキストを組み合わせた高度なマルチモーダル処理と、特定タスクに合わせた容易なファインチューニング性能にあります。

一般的な画像説明や画像に対する質疑応答はもちろん、業務特化型の視覚タスクにも柔軟に適応します。初代PaliGemmaでは、ColPaliによる視覚的文書検索や、RoboFlowによる微調整手法、リアルタイムの物体追跡といった先進的なコミュニティ活用が進んでいましたが、PaliGemma 2は言語処理のコアをGemma 2へ刷新することで、さらなる精度向上を実現しています。

既存ユーザーへの配慮も行き届いています。PaliGemma 2は「差し替え互換（ドロップイン・リプレイスメント）」として設計されているため、初代PaliGemmaを使ったパイプラインがあれば、コードの大幅な書き換えをすることなく新モデルへ移行できます。これだけで、多くのタスクにおいて即座に性能の向上が得られます。

モデルサイズも複数用意されており、画像解像度に応じたバリエーションも提供されます。Googleは詳細な技術レポートも公開しており、計算リソースや用途に応じてどのサイズと解像度を選ぶべきかが解説されています。

なぜ重要か

巨大な商用マルチモーダルモデルが注目されがちですが、企業が社内文書の解析や工場での外観検査など、プライベートな環境でAIを動かしたい場合、手元で動く軽量な特化モデルが不可欠です。

PaliGemma 2は、Gemma 2の基礎力を生かしつつ、特定業務に合わせた微調整のハードルを大きく下げました。コード修正の手間なくモデルを差し替えられる点も含め、開発者目線で極めて実用的に作られています。

独自の視覚データを使ったAI開発を検討しているなら、まずは試してみる価値のある選択肢です。