模型SigLIP2 SO400M / SigLIP

SigLIP2

Google DeepMind于2024年推出的视觉语言模型，采用sigmoid loss替代softmax loss，引入NaFlex可变分辨率输入技术，在图文对比学习上表现优异

时间轴 (近 90 天)

10月12日

d1-omni-600M 包含 381M 共享主干加决策头、94M SigLIP2 视觉编码器（来自 LFM2.5-VL-450M）和 112M 17 层 FastConformer 音频编码器。

待验证50%

d1-omni-600M 包含 381M 共享主干加决策头、94M SigLIP2 视觉编码器（来自 LFM2.5-VL-450M）和 112M 17 层 FastConformer 音频编码器。