Florence-2 es un modelo base visual avanzado desarrollado por Microsoft, que utiliza un método basado en indicaciones para abordar una amplia gama de tareas de visión y visión-lenguaje. El modelo puede interpretar indicaciones de texto sencillas y realizar tareas como descripción de imágenes, detección y segmentación de objetos. Aprovecha el conjunto de datos FLD-5B, que contiene 5.400 millones de anotaciones y abarca 126 millones de imágenes, siendo experto en aprendizaje multitarea. Su arquitectura de secuencia a secuencia le permite destacar tanto en entornos de cero disparos como en ajustes de ajuste fino, demostrando ser un modelo base visual competitivo.