हाल ही में, गूगल ने एक नई दृश्य-भाषा मॉडल (Vision-Language Model, VLM) पेश की है, जिसका नाम PaliGemma2Mix है। यह मॉडल छवि प्रसंस्करण और प्राकृतिक भाषा प्रसंस्करण की क्षमताओं को मिलाता है, जिससे यह दृश्य जानकारी और पाठ इनपुट दोनों को साथ में समझ सकता है और आवश्यकता के अनुसार संबंधित आउटपुट उत्पन्न कर सकता है, जो मल्टी-टास्किंग में कृत्रिम बुद्धिमत्ता तकनीक की एक और प्रगति का प्रतीक है। PaliGemma2Mix की क्षमताएँ बहुत मजबूत हैं, इसमें छवि वर्णन और ऑप्टिकल वर्ण पहचान शामिल हैं।