Paligemma2 3b Pt 896
PaliGemma 2是一款多模态视觉语言模型，结合图像和文本输入生成文本输出，支持多语言，适用于多种视觉语言任务。
下载量 2,536
发布时间 : 11/21/2024
模型简介
PaliGemma 2是基于Gemma 2和SigLIP构建的视觉语言模型，支持图像和文本输入，生成文本输出，适用于图像字幕、视觉问答、文本阅读等多种任务。
模型特点
多模态输入输出
接受图像和文本作为输入，生成文本输出，支持多语言。
广泛的任务支持
适用于图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割等多种视觉语言任务。
高性能微调
在多种视觉语言任务上具有领先的微调性能。
负责任的数据过滤
对预训练数据进行了色情、毒性、个人信息等多重过滤，确保模型安全和负责任。
模型能力
图像字幕生成
视觉问答
目标检测
目标分割
多语言文本生成
图像理解
文本阅读
使用案例
图像和视频理解
图像字幕生成
为图像生成描述性字幕。
在COCO-35L数据集上，英语字幕得分142.4（3B模型）
视觉问答
回答关于图像内容的问题。
在VQAv2数据集上达到85.8%准确率（28B模型）
教育
视觉学习辅助
帮助学生理解图像中的信息。
在ScienceQA数据集上达到98.6%准确率（28B模型）
文档处理
表格理解
解析和理解文档中的表格内容。
在FinTabNet数据集上TEDS得分98.94（3B模型）
🚀 PaliGemma 2模型卡片
PaliGemma 2是一款视觉语言模型，它结合图像和文本输入，生成文本输出，支持多语言。该模型在多种视觉语言任务上表现出色，适用于图像和短视频字幕、视觉问答、文本阅读等场景。
🚀 快速开始
若要在Hugging Face上访问PaliGemma，你需要查看并同意Google的使用许可。请确保你已登录Hugging Face，然后点击下方按钮，请求将立即处理。 [确认许可](Acknowledge license)
以下代码片段以模型google/paligemma2-3b-pt-896为例，它是一个基础模型，建议在下游任务上微调后使用。
这里有一个笔记本展示了如何微调PaliGemma 2。
from transformers import (
PaliGemmaProcessor,
PaliGemmaForConditionalGeneration,
)
from transformers.image_utils import load_image
import torch
model_id = "google/paligemma2-3b-pt-896"
url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg"
image = load_image(url)
model = PaliGemmaForConditionalGeneration.from_pretrained(model_id, torch_dtype=torch.bfloat16, device_map="auto").eval()
processor = PaliGemmaProcessor.from_pretrained(model_id)
# 预训练模型留空提示
prompt = ""
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(torch.bfloat16).to(model.device)
input_len = model_inputs["input_ids"].shape[-1]
with torch.inference_mode():
generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
generation = generation[0][input_len:]
decoded = processor.decode(generation, skip_special_tokens=True)
print(decoded)
✨ 主要特性
- 多模态输入输出：接受图像和文本作为输入，生成文本输出，支持多语言。
- 广泛的任务支持：适用于图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割等多种视觉语言任务。
- 高性能微调：在多种视觉语言任务上具有领先的微调性能。
📚 详细文档
模型信息
模型概述
PaliGemma 2是PaliGemma视觉语言模型（VLM）的更新版本，融合了Gemma 2模型的能力。PaliGemma系列模型受PaLI - 3启发，基于开放组件构建，如SigLIP视觉模型和Gemma 2语言模型。它接受图像和文本作为输入，生成文本输出，支持多种语言，旨在为广泛的视觉语言任务提供领先的微调性能，如图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割。
模型架构
PaliGemma 2由Transformer解码器和Vision Transformer图像编码器组成。文本解码器从参数大小为2B、9B和27B的Gemma 2初始化。图像编码器从SigLIP - So400m/14初始化。与原始的PaliGemma模型类似，PaliGemma 2按照PaLI - 3的方法进行训练。
输入和输出
- 输入：图像和文本字符串，如图像字幕提示或问题。
- 输出：根据输入生成的文本，如图像字幕、问题答案、目标边界框坐标列表或分割码字。
引用
@article{
title={PaliGemma 2: A Family of Versatile VLMs for Transfer},
author={Andreas Steiner and André Susano Pinto and Michael Tschannen and Daniel Keysers and Xiao Wang and Yonatan Bitton and Alexey Gritsenko and Matthias Minderer and Anthony Sherbondy and Shangbang Long and Siyang Qin and Reeve Ingle and Emanuele Bugliarello and Sahar Kazemzadeh and Thomas Mesnard and Ibrahim Alabdulmohsin and Lucas Beyer and Xiaohua Zhai},
year={2024},
journal={arXiv preprint arXiv:2412.03555}
}
模型数据
预训练数据集
PaliGemma 2在以下混合数据集上进行预训练：
- WebLI：WebLI (Web Language Image)是一个基于公共网络构建的网络规模多语言图像 - 文本数据集。使用多种WebLI分割来获得通用的模型能力，如视觉语义理解、目标定位、视觉情境文本理解和多语言能力。
- CC3M - 35L：从网页中精心挑选的英语图像 - 替代文本对(Sharma et al., 2018)。使用Google Cloud Translation API将其翻译成另外34种语言。
- VQ²A - CC3M - 35L/VQG - CC3M - 35L：VQ2A - CC3M的一个子集(Changpinyo et al., 2022a)，使用Google Cloud Translation API翻译成与CC3M - 35L相同的另外34种语言。
- OpenImages：检测和目标感知的问答(Piergiovanni et al. 2022)，通过手工规则在[OpenImages数据集]上生成。
- WIT：从维基百科收集的图像和文本(Srinivasan et al., 2021)。
数据责任过滤
为了在安全和负责任的数据上训练PaliGemma 2，对WebLI应用了以下过滤：
- 色情图像过滤：过滤被认为是色情性质的图像。
- 文本安全过滤：识别并过滤与不安全文本配对的图像。不安全文本是指包含或涉及儿童性虐待图像（CSAI）、色情内容、粗俗语言或其他冒犯性内容的文本。
- 文本毒性过滤：进一步使用Perspective API识别并过滤与被认为具有侮辱性、淫秽、仇恨或其他毒性的文本配对的图像。
- 文本个人信息过滤：使用Cloud Data Loss Prevention (DLP) API过滤某些个人信息和其他敏感数据，以保护个人隐私。移除了如社会保险号码和[其他敏感信息类型]等标识符。
- 其他方法：根据我们的政策和实践，基于内容质量和安全性进行过滤。
技术细节
硬件
PaliGemma 2使用最新一代的张量处理单元（TPU）硬件（TPUv5e）进行训练。
软件
使用JAX、Flax、TFDS和big_vision完成训练。
JAX允许研究人员利用最新一代的硬件（包括TPU），以更快、更高效地训练大型模型。
TFDS用于访问数据集，Flax用于模型架构。PaliGemma 2的微调代码和推理代码在big_vision的GitHub仓库中发布。
评估信息
基准测试结果
为了验证PaliGemma 2在各种学术任务上的可迁移性，我们在每个任务上对预训练模型进行微调。我们报告不同分辨率下的结果，以了解哪些任务从更高的分辨率中受益。重要的是，这些任务或数据集都不是预训练数据混合的一部分，并且它们的图像已从网络规模的预训练数据中明确移除。
PaliGemma 2按模型分辨率和大小的结果
| 基准测试 | 224 - 3B | 224 - 10B | 224 - 28B | 448 - 3B | 448 - 10B | 448 - 28B |
|---|---|---|---|---|---|---|
| [AI2D][ai2d] | 74.7 | 83.1 | 83.2 | 76.0 | 84.4 | 84.6 |
| [AOKVQA - DA][aokvqa - da] (val) | 64.2 | 68.9 | 70.2 | 67.9 | 70.8 | 71.2 |
| [AOKVQA - MC][aokvqa - mc] (val) | 79.7 | 83.7 | 84.7 | 82.5 | 85.9 | 87.0 |
| [ActivityNet - CAP][anet - cap] | 34.2 | 35.9 | - | - | - | - |
| [ActivityNet - QA][anet - qa] | 51.3 | 53.2 | - | - | - | - |
| [COCO - 35L][coco - 35l] (avg34) | 113.9 | 115.8 | 116.5 | 115.8 | 117.2 | 117.2 |
| [COCO - 35L][coco - 35l] (en) | 138.4 | 140.8 | 142.4 | 140.4 | 142.4 | 142.3 |
| [COCOcap][coco - cap] | 141.3 | 143.7 | 144.0 | 143.4 | 145.0 | 145.2 |
| [ChartQA][chartqa] (aug) | 74.4 | 74.2 | 68.9 | 89.2 | 90.1 | 85.1 |
| [ChartQA][chartqa] (human) | 42.0 | 48.4 | 46.8 | 54.0 | 66.4 | 61.3 |
| [CountBenchQA][countbenchqa] | 81.0 | 84.0 | 86.4 | 82.0 | 85.3 | 87.4 |
| [DocVQA][docvqa] (val) | 39.9 | 43.9 | 44.9 | 73.6 | 76.6 | 76.1 |
| [GQA][gqa] | 66.2 | 67.2 | 67.3 | 68.1 | 68.3 | 68.3 |
| [InfoVQA][info - vqa] (val) | 25.2 | 33.6 | 36.4 | 37.5 | 47.8 | 46.7 |
| [MARVL][marvl] (avg5) | 83.5 | 89.5 | 90.6 | 82.7 | 89.1 | 89.7 |
| [MSRVTT - CAP][msrvtt] | 68.5 | 72.1 | - | - | - | - |
| [MSRVTT - QA][msrvtt] | 50.5 | 51.9 | - | - | - | - |
| [MSVD - QA][msvd - qa] | 61.1 | 62.5 | - | - | - | - |
| [NLVR2][nlvr2] | 91.4 | 93.9 | 94.2 | 91.6 | 93.7 | 94.1 |
| [NoCaps][nocaps] | 123.1 | 126.3 | 127.1 | 123.5 | 126.9 | 127.0 |
| [OCR - VQA][ocr - vqa] | 73.4 | 74.7 | 75.3 | 75.7 | 76.3 | 76.6 |
| [OKVQA][okvqa] | 64.2 | 68.0 | 71.2 | 64.1 | 68.6 | 70.6 |
| [RSVQA - hr][rsvqa - hr] (test) | 92.7 | 92.6 | 92.7 | 92.8 | 92.8 | 92.8 |
| [RSVQA - hr][rsvqa - hr] (test2) | 90.9 | 90.8 | 90.9 | 90.7 | 90.7 | 90.8 |
| [RSVQA - lr][rsvqa - lr] | 93.0 | 92.8 | 93.5 | 92.7 | 93.1 | 93.7 |
| [RefCOCO][refcoco] (testA) | 75.7 | 77.2 | 76.8 | 78.6 | 79.7 | 79.3 |
| [RefCOCO][refcoco] (testB) | 71.0 | 74.2 | 73.9 | 73.5 | 76.2 | 74.8 |
| [RefCOCO][refcoco] (val) | 73.4 | 75.9 | 75.0 | 76.3 | 78.2 | 77.3 |
| [RefCOCO+][refcoco+] (testA) | 72.7 | 74.7 | 73.6 | 76.1 | 77.7 | 76.6 |
| [RefCOCO+][refcoco+] (testB) | 64.2 | 68.4 | 67.1 | 67.0 | 71.1 | 68.6 |
| [RefCOCO+][refcoco+] (val) | 68.6 | 72.0 | 70.3 | 72.1 | 74.4 | 72.8 |
| [RefCOCOg][refcocog] (test) | 69.0 | 71.9 | 70.7 | 72.7 | 74.8 | 73.7 |
| [RefCOCOg][refcocog] (val) | 68.3 | 71.4 | 70.5 | 72.3 | 74.4 | 73.0 |
| [ST - VQA][st - vqa] (val) | 61.9 | 64.3 | 65.1 | 80.5 | 82.0 | 81.8 |
| [SciCap][scicap] | 165.1 | 159.5 | 156.9 | 183.3 | 177.2 | 172.7 |
| [ScienceQA][scienceqa] | 96.1 | 98.2 | 98.2 | 96.2 | 98.5 | 98.6 |
| [Screen2Words][screen2words] | 113.3 | 117.8 | 122.8 | 114.0 | 119.1 | 123.4 |
| [TallyQA][tallyqa] (complex) | 70.3 | 73.4 | 74.2 | 73.6 | 76.7 | 76.8 |
| [TallyQA][tallyqa] (simple) | 81.8 | 83.2 | 83.4 | 85.3 | 86.2 | 85.7 |
| [TextCaps][textcaps] | 127.5 | 137.9 | 139.9 | 152.1 | 157.7 | 153.6 |
| [TextVQA][textvqa] (val) | 59.6 | 64.0 | 64.7 | 75.2 | 76.6 | 76.2 |
| [VATEX][vatex] | 80.8 | 82.7 | - | - | - | - |
| [VQAv2][vqav2] (minival) | 83.0 | 84.3 | 84.5 | 84.8 | 85.8 | 85.8 |
| [VizWizVQA][vizwiz - vqa] (val) | 76.4 | 78.1 | 78.7 | 77.5 | 78.6 | 78.9 |
| [WidgetCap][widgetcap] | 138.1 | 139.8 | 138.8 | 151.4 | 151.9 | 148.9 |
| [XM3600][xm3600] (avg35) | 42.8 | 44.5 | 45.2 | 43.2 | 44.6 | 45.2 |
| [XM3600][xm3600] (en) | 79.8 | 80.7 | 81.0 | 80.3 | 81.5 | 81.0 |
| [xGQA][xgqa] (avg7) | 58.6 | 61.4 | 61.1 | 60.4 | 62.6 | 62.1 |
额外基准测试
[ICDAR 2015 Incidental][icdar2015 - inc]
| 模型 | 精度 | 召回率 | F1 |
|---|---|---|---|
| PaliGemma 2 3B | 81.88 | 70.73 | 75.9 |
[Total - Text][total - text]
| 模型 | 精度 | 召回率 | F1 |
|---|---|---|---|
| PaliGemma 2 3B | 73.8 | 74.54 | 74.17 |
[FinTabNet][fintabnet]
| 模型 | S - TEDS | TEDS | GriTS - Top | GriTS - Con |
|---|---|---|---|---|
| PaliGemma 2 3B | 99.18 | 98.94 | 99.43 | 99.21 |
[PubTabNet][pubtabnet]
| 模型 | S - TEDS | TEDS | GriTS - Top | GriTS - Con |
|---|---|---|---|---|
| PaliGemma 2 3B | 97.6 | 97.31 | 97.99 | 97.84 |
[GrandStaff][grandstaff]
| 模型 | CER | LER | SER |
|---|---|---|---|
| PaliGemma 2 3B | 1.6 | 6.7 | 2.3 |
[PubChem][pubchem]
- PaliGemma 2 3B，完全匹配：94.8
[DOCCI][docci]
| 模型 | 平均字符数 | 平均句子数 | 非蕴含句子百分比 |
|---|---|---|---|
| PaliGemma 2 3B | 529 | 7.74 | 28.42 |
| PaliGemma 2 10B | 521 | 7.45 | 20.27 |
- 平均字符数：平均字符数量
- 平均句子数：平均句子数量
- 非蕴含句子百分比：非蕴含句子的百分比
[MIMIC - CXR][mimic - cxr]
| 模型 | CIDEr | BLEU4 | Rouge - L | RadGraph F1 |
|---|---|---|---|---|
| PaliGemma 2 3B | 19.9% | 14.6% | 31.92% | 28.8% |
| PaliGemma 2 10B | 17.4% | 15% | 32.41% | 29.5% |
[Visual Spatial Reasoning][vsr]
| 模型 | VSR零样本分割（测试） | VSR随机分割（测试） |
|---|---|---|
| PaliGemma 2 3B | 0.75 | 0.82 |
| PaliGemma 2 10B | 0.80 | 0.87 |
伦理与安全
评估方法
我们的评估方法包括跨相关内容政策的结构化伦理和安全评估，包括：
- 对涵盖儿童安全、内容安全和代表性危害的提示进行人工评估。有关评估方法的更多详细信息，请参阅Gemma模型卡片，但采用图像字幕和视觉问答设置。
- 图像到文本基准测试评估：针对相关学术数据集（如FairFace数据集(Karkkainen et al., 2021)）进行基准测试。
评估结果
- 伦理和安全评估的人工评估结果在可接受的阈值内，符合内部政策中关于儿童安全、内容安全和代表性危害等类别。
- 除了强大的内部评估外，我们还使用Perspective API（阈值为0.8）来衡量从FairFace数据集中获取的图像生成字幕中的毒性、亵渎和其他潜在问题。我们报告了每个感知的性别、种族和年龄属性的子组中观察到的最大值和中位数。
| 指标 | 感知性别（3B） | 感知性别（10B） | 感知性别（28B） | 种族（3B） | 种族（10B） | 种族（28B） | 年龄组（3B） | 年龄组（10B） | 年龄组（28B） |
|---|---|---|---|---|---|---|---|---|---|
| 最大值 | |||||||||
| 毒性 | 0.14% | 0.15% | 0.19% | 0.29% | 0.39% | 0.39% | 0.26% | 0.18% | 0.32% |
| 身份攻击 | 0.04% | 0.02% | 0.02% | 0.13% | 0.06% | 0.06% | 0.06% | 0.03% | 0.06% |
| 侮辱 | 0.17% | 0.25% | 0.17% | 0.37% | 0.52% | 0.52% | 0.27% | 0.39% | 0.24% |
| 威胁 | 0.55% | 0.43% | 0.57% | 0.83% | 0.48% | 0.48% | 0.64% | 0.43% | 0.64% |
| 亵渎 | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% |
| 中位数 | |||||||||
| 毒性 | 0.13% | 0.10% | 0.18% | 0.07% | 0.07% | 0.14% | 0.12% | 0.08% | 0.12% |
| 身份攻击 | 0.02% | 0.01% | 0.02% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% |
| 侮辱 | 0.15% | 0.23% | 0.14% | 0.14% | 0.17% | 0.13% | 0.09% | 0.18% | 0.16% |
| 威胁 | 0.35% | 0.27% | 0.41% | 0.28% | 0.19% | 0.42% | 0.27% | 0.31% | 0.40% |
| 亵渎 | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% |
使用和限制
预期用途
开放视觉语言模型（VLM）在各个行业和领域都有广泛的应用。以下是一些可能的应用场景：
- 图像和视频理解：生成图像和短视频的字幕，回答关于图像内容的问题。
- 视觉搜索：通过文本查询搜索相关图像。
- 辅助设计：根据文本描述生成设计草图或图像。
- 教育：帮助学生理解图像中的信息，进行视觉学习。
限制
- 数据偏差：模型的性能可能受到预训练数据偏差的影响，导致在某些任务或领域的表现不佳。
- 安全和伦理问题：尽管进行了数据过滤，但模型仍可能生成包含偏见、歧视或其他不适当内容的输出。
- 计算资源需求：训练和微调模型需要大量的计算资源和时间。
许可证
本模型遵循Gemma许可证。
模型页面
资源和技术文档
使用条款
作者
Clip Vit Large Patch14
CLIP是由OpenAI开发的视觉-语言模型，通过对比学习将图像和文本映射到共享的嵌入空间，支持零样本图像分类
图像生成文本
C
openai
44.7M
1,710
Clip Vit Base Patch32
CLIP是由OpenAI开发的多模态模型，能够理解图像和文本之间的关系，支持零样本图像分类任务。
图像生成文本
C
openai
14.0M
666
Siglip So400m Patch14 384
Apache-2.0
SigLIP是基于WebLi数据集预训练的视觉语言模型，采用改进的sigmoid损失函数，优化了图像-文本匹配任务。
图像生成文本
Transformers
TransformersS
google
6.1M
526
Clip Vit Base Patch16
CLIP是由OpenAI开发的多模态模型，通过对比学习将图像和文本映射到共享的嵌入空间，实现零样本图像分类能力。
图像生成文本
C
openai
4.6M
119
Blip Image Captioning Base
Bsd-3-clause
BLIP是一个先进的视觉-语言预训练模型，擅长图像描述生成任务，支持条件式和非条件式文本生成。
图像生成文本 Transformers
TransformersB
Salesforce
2.8M
688
Blip Image Captioning Large
Bsd-3-clause
BLIP是一个统一的视觉-语言预训练框架，擅长图像描述生成任务，支持条件式和无条件式图像描述生成。
图像生成文本 Transformers
TransformersB
Salesforce
2.5M
1,312
Openvla 7b
MIT
OpenVLA 7B是一个基于Open X-Embodiment数据集训练的开源视觉-语言-动作模型，能够根据语言指令和摄像头图像生成机器人动作。
图像生成文本 Transformers 英语
Transformers 英语O
openvla
1.7M
108
Llava V1.5 7b
LLaVA 是一款开源多模态聊天机器人，基于 LLaMA/Vicuna 微调，支持图文交互。
图像生成文本 Transformers
TransformersL
liuhaotian
1.4M
448
Vit Gpt2 Image Captioning
Apache-2.0
这是一个基于ViT和GPT2架构的图像描述生成模型，能够为输入图像生成自然语言描述。
图像生成文本 Transformers
TransformersV
nlpconnect
939.88k
887
Blip2 Opt 2.7b
MIT
BLIP-2是一个视觉语言模型，结合了图像编码器和大型语言模型，用于图像到文本的生成任务。
图像生成文本 Transformers 英语
Transformers 英语B
Salesforce
867.78k
359
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型，性能媲美GPT-3.5-turbo，优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型 Transformers 支持多种语言
Transformers 支持多种语言L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型，专为边缘设备推理设计，体积仅为Cosmo-3B模型的2%左右。
对话系统 Transformers 英语
Transformers 英语C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型，适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
智启未来，您的人工智能解决方案智库
简体中文