SigLIP2 是谷歌推出的一种多语言视觉语言编码器，用于零样本图像分类。

8亿参数的多语言视觉语言模型，支持OCR、图像描述、视觉推理等功能

利用视觉语言模型将PDF解析为Markdown。

一个强大的OCR包，使用最先进的视觉语言模型提取图像中的文本。

视觉语言模型增强工具，结合生成式视觉编码器和深度广度融合技术。

先进的大型混合专家视觉语言模型

先进的多模态理解模型，融合视觉与语言能力。

视觉语言模型的最新进展，集成微信AI的新技术

视觉语言模型，结合图像和文本信息进行智能处理。

Qwen2-VL-7B是最新的视觉语言模型，支持多模态理解和文本生成。

视觉语言模型的最新进展

Mini-Gemini是一款多模态视觉语言模型，可实现图像理解、推理和生成的任意到任意工作流，适用于各种智能场景。，Mini-Gemini官网入口网址