Google Research presentó oficialmente PaliGemma 2, una completa y flexible familia de modelos abiertos de visión y lenguaje (VLM) disponibles en tres escalas de parámetros (3.000 millones, 10.000 millones y 28.000 millones), acompañados de entrenamiento multiresolución nativo en 224x224, 448x448 y 896x896 píxeles. Construido mediante la integración del codificador visual SigLIP So400m con los modelos de lenguaje autoregresivos Gemma 2, PaliGemma 2 aborda con maestría tareas que exigen lectura de texto denso, OCR estructurado de formularios contables, interpretación de diagramas científicos y localización espacial de objetos mediante cajas delimitadoras (bounding boxes). Su arquitectura modular y recetas de ajuste fino con LoRA permiten a centros de investigación y empresas adaptar modelos especializados de alta precisión visual sobre tarjetas gráficas de gama de consumo.
Capítulo 01
La noticia en una frase
Google lanza PaliGemma 2, modelos abiertos de visión y lenguaje en tamaños de 3B, 10B y 28B con soporte de resolución hasta 896px para OCR documental y anclaje espacial de precisión.
En pruebas sobre TextVQA, DocVQA y ChartQA, la variante de 28B supera a modelos multimodales previos de su categoría y ofrece extracción de información estructurada comparable a sistemas comerciales de frontera.
Capítulo 02
