Google не сидит сложа руки и вбрасывает на рынок PaliGemma 2 — новое поколение своих vision-language моделей. Если кратко, это всё та же архитектура SigLIP для зрения и Gemma 2 для текстового декодера, но прокачанная до анализа не только текста, но и изображений одновременно. Как уверяют разработчики, теперь всё будет анализироваться глубже. В отличие от предыдущих попыток, PaliGemma 2 предлагает выбор из трёх размеров: 3, 10 и 28 миллиардов параметров. Это значит, что вы можете выбрать, насколько умной и требовательной к ресурсам будет ваша модель. Хотите баланс между качеством и скоростью? Пожалуйста. Нужна максимальная точность, даже если это съест больше GPU? Тоже есть.
Главный трюк PaliGemma 2 — её аппетит к разным разрешениям картинок. Теперь модели готовы переваривать всё, от скромных 224x224 до солидных 896x896 пикселей. Это открывает двери для автоматизации, где раньше приходилось мириться с компромиссами. Больше никаких мучений с мелкими деталями на сканах документов или размытыми гигантами. Хотите, чтобы AI понимал, что нарисовано на картинке, с точностью до пикселя? PaliGemma 2 обещает именно это, что уже демонстрируется на примерах с генерацией подписей к изображениям.
Google делает ставку на лёгкость донастройки (fine-tuning). Это звучит как приглашение: компании смогут слепить из PaliGemma 2 что угодно — от классификатора фоток для склада до умной системы, вытягивающей данные из древних документов. Снижение порога входа для таких штук — это, конечно, плюс. Теперь продвинутый AI доступен не только тем, кто может позволить себе целую команду инженеров, но и, возможно, вам.
Итого: Google выкатил ещё один инструмент, который обещает упростить и, вероятно, удешевить работу с визуальным контентом. Пока хайп не утих, стоит присмотреться: кто первым разберётся с донастройкой PaliGemma 2, тот, возможно, получит свои конкурентные преимущества. Это очередной шаг к тому, чтобы AI перестал быть игрушкой для гиков и стал рабочим инструментом для бизнеса, который умеет видеть.