Microsoft 的 Azure AI 團隊最近在 Hugging Face 上發表了新的基礎 AI 模型 Florence-2，支援各種視覺分析應用，可以配合大量使用場景，使企業無需針對單一應用開發各自的模型。
Florence-2 有兩個版本（232M 和 771M 參數），可以處理製作字幕、物件偵測、視覺分析和分割等應用，Microsoft 表示，其性能與許多較大規模的視覺模型相當或更好。這個模型的特別之處在於可以同時支援各種視覺相關的功能，類似於大型語言模型，企業可以用它來一站式解決各種需要。
為了發展 Florence-2，Microsoft 建立了一個名為 FLD-5B 的視覺資料集，其中包含 1.26 億張圖像的 54 億個註釋，並使用序列到序列架構訓練 Florence-2。這個設計整合了圖像編碼器和多模態編碼解碼器，使模型能夠管理各種視覺應用，而無需針對特定應用進行修改。
Florence-2 的表現也相當理想，在 COCO 資料集上的零鏡頭字幕測試中，優於 Deepmind 的 80B 參數 Flamingo 模型和 Microsoft 的 Kosmos-2。 Florence-2 的預訓練和微調版本現已在 Hugging Face 上提供，而且採用寬鬆 MIT 授權，也就是可以不受限制地用於一般或商用用途。
來源：VentureBeat
傳 Apple 為保險兩邊下注 iOS 18 或同時採用 OpenAI、Google 人工智能