Google 釋出 PaliGemma 2：基於 Gemma 2，支援即插即用與微調

PaliGemma 2 是 Google 打造的輕量級開源視覺語言模型（VLM）。簡單來說，它讓原本擅長文本的 Gemma 2 模型長出了眼睛，能夠看懂影像並圍繞畫面內容做問答、理解與互動。

如果你之前在業務裡跑過初代 PaliGemma，或者正想為自己的私有影像資料集訓練一個專用視覺小模型，這次更新值得直接關注。

它能做什麼

PaliGemma 2 的核心定位，是面向開發者和研究者的微調底座。

模型本身具備完整的視覺與文本綜合理解能力，能夠接收影像與文本混合輸入，並給出準確的文本回應。無論是基礎的圖片問答、影像描述，還是更具體的視覺互動，它都能處理。

在社群生態裡，早期的初代 PaliGemma 已經衍生出像 ColPali 這樣的視覺文件檢索工具、RoboFlow 探索的微調方案，以及各類即時目標追蹤專案。PaliGemma 2 則是把底層語言骨架全面升級到了效能更好的 Gemma 2。

更實在的是相容性。Google 將 PaliGemma 2 設計為「即插即用」（drop-in replacement）的替代方案。如果你現有的工作流已經接入了初代 PaliGemma，無需重寫關鍵呼叫程式碼，直接換上新模型就能跑起來，並在絕大多數視覺任務上拿到直接的效能提升。

多尺寸與微調門檻

自建視覺 AI 最頭疼的往往是算力消耗。針對不同部署場景，PaliGemma 2 提供了多種模型尺寸與解析度配置選擇，開發者可以根據自己的硬體條件和具體精度要求來平衡。

它的微調流程也非常簡單。你不需要準備昂貴的大規模預訓練叢集，只要針對自己的垂直場景標註少量資料，就能直接進行後訓練微調，把它改造成專屬於你業務的視覺小專家。

目前 Google 已經放出了技術報告，詳細講解了不同引數量級與更高影像解析度適用的具體場景。想要上手測試的開發者，可以直接在 Gemma 生態圈內獲取模型資源與微調指令碼。

為什麼重要

我們認為，PaliGemma 2 最聰明的地方在於找準了定位：它不盲目去卷千億引數的多模態巨無霸，而是把重心放在「好部署、好魔改、直接能落地」的邊緣與垂直場景上。

對於個人開發者和中小團隊來說，呼叫商業多模態 API 雖然省心，但在涉及敏感資料（如企業私有文件、工業檢測畫面）或者要求高頻低延遲的本地場景時，小尺寸、可私有化微調的開源模型才是真正能落地的選擇。

PaliGemma 2 既提供了 Gemma 2 紮實的理解底子，又把升級替換成本壓到了最低。只要你手頭有特定領域的視覺理解或圖文檢索需求，現在就值得下載下來做一次小樣本微調跑測。