FG-CLIP 2 – 360开源的双语细粒度视觉语言对齐模型

FG-CLIP 2是什么

FG-CLIP 2是360推出的开源双语细粒度视觉语言对齐模型，专为解决视觉与语言的精准对齐问题而设计。在视觉语言理解领域取得了重大突破，尤其在中英文双语任务上表现出色。模型采用层次化对齐架构，通过全局语义对齐和细粒度视觉语言学习，逐步提升模型对图像细节的理解能力。引入了动态注意力机制，能智能聚焦图像的关键区域，更好地处理复杂的视觉语言任务。FG-CLIP 2在多个权威基准测试中超越了现有的顶尖模型，如Google的SigLIP 2和Meta的MetaCLIP 2，成为全球最强的视觉语言模型之一。

FG-CLIP 2的主要功能

• 细粒度视觉语言理解：能精准理解图像中的细节，包括物体的属性、空间关系等，解决了传统模型在细粒度识别上的不足。