Florence-2 ist ein von Microsoft entwickeltes hochmodernes visuelles Basismodell, das einen promptbasierten Ansatz für eine breite Palette von visuellen und visuell-linguistischen Aufgaben verwendet. Das Modell kann einfache Textprompts interpretieren und Aufgaben wie Bildbeschreibung, Objekterkennung und -segmentierung durchführen. Es nutzt den FLD-5B-Datensatz mit 5,4 Milliarden Annotationen und 126 Millionen Bildern und beherrscht Multi-Task-Learning. Seine Sequenz-zu-Sequenz-Architektur ermöglicht eine hervorragende Leistung sowohl in Zero-Shot- als auch in Fine-Tuning-Szenarien und erweist sich als wettbewerbsfähiges visuelles Basismodell.