360 集团近日开源视觉语言对齐模型 FG-CLIP2。这款模型在涵盖长短文本图文检索、目标检测等在内的29项权威公开基准测试中，全面超越了科技巨头Google的SigLIP 2与Meta的MetaCLIP2。

根据介绍，FG-CLIP2 在模型核心上实现了三大根本创新：第一，层次化对齐架构，让模型能像人眼一样，同时把握宏观场景与微观细节，实现从“看得见”到“看得清”的跨越。

第二，动态注意力机制，使模型可以智能聚焦于图像关键区域，以最小算力代价换取精准的细节捕捉能力。第三，双语协同优化策略，从底层解决了中英文理解不平衡的难题，实现了真正的双语原生支持。

FG-CLIP2依托于自研的超大规模高质量数据集FineHARD。该数据集不仅包含详尽的全局描述和千万级的局部区域标注，还创新性地引入了由大模型生成的“难负样本”。