FG-CLIP2是360 人工智能研究院开源的图文模型，作为新一代文本-图像跨模态模型，在细粒度理解方面表现卓越。
在涵盖图文检索、目标检测等 8 大类 29 项国际权威测试中，全面超越谷歌 SigLIP 2 和 Meta 的 MetaCLIP 2，中英文任务双双登顶 SOTA，标志着中国模型首次在该核心赛道实现全方位领先。
技术创新
数据层面：构建FineHARD大规模中英双语数据集，不仅包含图片的详细描述（长达150词以上），还涵盖4000万个边界框及区域描述文本，实现真正的局部细粒度对齐。
算法创新：采用两阶段训练策略，结合独家TIC损失函数，专门针对语义相近的表述进行优化，提升模型的辨微能力。
架构优势：采用显式双塔结构，图像和文本编码器分离，支持海量数据的预提取和缓存，确保毫秒级响应速度，为实际应用奠定基础。
应用场景
电商零售：精准匹配材质、受众、季节等多维度需求，搜索转化率提升的同时降低退货率；
AIGC 创作：作为文生图的质量裁判，确保生成内容精准贴合细节指令，避免logo 位置错误等常见偏差；
智能安防：支持自然语言精准检索视频，调查人员输入复杂描述即可快速定位目标线索，提升应急响应效率；
具身智能：助力机器人准确理解细粒度指令，将机器对物理世界的感知精度提升至毫米级。
测试数据显示，FG-CLIP2 在复杂指令执行准确率、细粒度特征识别等关键指标上，较主流模型提升超 37%，为 AI 实用化落地开辟了新路径。
Github :https://github.com/360CVGroup/FG-CLIP
#AI开源项目推荐##github##AI技术##360开源#AI大模型##AI图文模型
