Hugging Face 解读 Google 开源多模态编码器 SigLIP 2

Hugging Face 发布博文解读 Google 开源的多模态视觉语言编码器 SigLIP 2。该模型在 SigLIP 基础上引入解码器、全局-局部损失和掩码预测等训练目标，新增动态分辨率（naflex）变体及 1B 参数巨型模型，在零样本分类和图像文本检索等核心能力上全面超越前代。