Git Large Vatex
GITはCLIP画像トークンとテキストトークンの条件付けに基づくトランスフォーマーデコーダーで、画像やビデオの記述生成、視覚的質問応答などのタスクに使用されます。
ダウンロード数 267
リリース時間 : 1/2/2023
モデル概要
GITモデルは教師強制方式で多数の画像-テキストペアで訓練され、次のテキストトークンを予測でき、画像/ビデオ記述生成、視覚的質問応答、画像分類などのタスクに適しています。
モデル特徴
マルチモーダル処理能力
視覚情報とテキスト情報を同時に処理し、画像からテキストへの生成を実現
双方向注意メカニズム
画像トークンには双方向注意を、テキストトークンには因果的注意を使用
マルチタスク適応性
記述生成、視覚的質問応答、分類など様々な視覚言語タスクに使用可能
モデル能力
画像記述生成
ビデオ記述生成
視覚的質問応答
画像分類
使用事例
メディアコンテンツ生成
ビデオ自動記述
ビデオコンテンツの自然言語記述を生成
支援技術
視覚支援
視覚障害者のために画像内容を記述
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル
Transformers 複数言語対応

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2%です。
対話システム
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98