Florence-2 é um modelo básico de visão avançado desenvolvido pela Microsoft, que utiliza um método baseado em prompts para lidar com uma ampla gama de tarefas de visão e visão-linguagem. O modelo consegue interpretar prompts de texto simples e executar tarefas como descrição de imagens, detecção de objetos e segmentação. Ele utiliza o conjunto de dados FLD-5B, contendo 5,4 bilhões de anotações cobrindo 126 milhões de imagens, e domina o aprendizado de múltiplas tarefas. Sua arquitetura sequencial permite um desempenho excelente em configurações de zero-shot e fine-tuning, provando ser um modelo básico de visão competitivo.