SigLIP 2是谷歌公司推出的一款基于视觉语言模型PaliGemma的视觉编码器,主要用于处理图像和视频等视觉数据。它通过将图像划分为补丁并线性嵌入向量,结合文本编码器将文本转换为稠密嵌入,从而实现零样本分类和跨模态任务的能力。