SigLIP2 (siglip2)

siglip2（SigLIP2-B）将图像和文本嵌入同一个共享向量空间。文本向量可以直接与图像向量比较，因此既能用一句话搜索图片，也能无需训练就将图像与一组候选标签进行分类。

模型 ID	siglip2
模型	SigLIP 2 base，patch 16，224 px（Google）
权重	Google 官方发布（google/siglip2-base-patch16-224）
用例	嵌入与检索
接口	POST /v1/embeddings
模型池	公共池：所有已注册账户可用，每个 UTC 日包含 100 次调用
计费单位	image、text。单位与价格：计费
许可证	Apache-2.0

工作原理

SigLIP 2 有两个一同训练的编码器，使描述同一事物的图片和句子在同一个向量空间中彼此靠近。一次调用只运行其中一个：一张图片走图像编码器，或每条文本走文本编码器。

图像。 图片转换为 RGB，缩放到 224 × 224 像素并做归一化，再送入图像编码器的视觉 Transformer（ViT，图块大小 16）。一张图片对应一次前向推理。

文本。 每条文本转为小写，切分为 token，并填充或截断到 64 个 token，再送入文本编码器。每条文本各自一次前向推理，因此包含 N 条文本的调用运行 N 次推理。

两个编码器返回的向量都缩放到长度 1（L2 归一化），以 float32 数值返回；录制的响应中 dimensions 为 768。两类向量位于同一个空间，所以图像向量与文本向量的点积就是它们的余弦相似度，文本可以用来搜索图片，也可以为一张图片给一组标签排序。计费对应推理次数：一张图片计为一个 image，每条文本计为一个 text，两者都不依赖缓存。

各用例下的特性

嵌入与检索

siglip2 为 POST /v1/embeddings 提供服务，图像和文本位于同一个空间。一次调用只能给出 image（一张图片）和 texts（1 到 64 条文本，每条 1 到 1000 个字符）中的一个，不能同时给出。仅含文本的调用，其响应中没有 image。

• 图像与文本之间的得分数值很小。录制的示例中，最佳匹配得分为 0.133，无关组合约为 0。有意义的只是排名和得分之间的差距，因此应在同一个查询内部比较各得分，不假设固定的截断值。
• 不同模型的向量不可比较：siglip2 的向量不能与 dinov3 的向量比较。图像与图像之间的相似度、去重和以图搜图，请使用只嵌入图像、向量描述图像外观的 dinov3。

用例说明与调用示例：嵌入与检索。

限制与说明

• 每次调用只能给出一张 image 或 1 到 64 条 texts，不能同时给出。每条文本 1 到 1000 个字符；每条文本只有前 64 个 token 会被嵌入。
• 图片限制：详见图片。
• 延迟：录制的调用中 timing.processingMs 约为 200 ms。该数值取决于输入、排队情况和节点负载，不构成保证。