AIbase
JA
ホーム
CLIP ViT L 14 CommonPool.XL.clip S13b B90k
C

CLIP ViT L 14 CommonPool.XL.clip S13b B90k

laionによって開発
CLIPアーキテクチャに基づく視覚-言語モデルで、ゼロショット画像分類とクロスモーダル検索をサポート
テキスト生成画像オープンソースライセンス:MIT#ゼロショット画像分類#マルチモーダル理解#大規模事前学習
ダウンロード数 534
リリース時間 : 4/26/2023

モデル概要

このモデルはCLIPシリーズのバリエーションで、Vision Transformer (ViT)アーキテクチャと対照学習目標を組み合わせており、画像とテキスト間の意味的関係を理解でき、ゼロショット画像分類やクロスモーダル検索タスクに適しています。

モデル特徴

ゼロショット学習能力
タスク固有のファインチューニングなしで新しいカテゴリの画像分類を実行可能
クロスモーダル理解
画像とテキストの意味的関係を同時に処理・理解可能
大規模事前学習
CommonPool.XLデータセットで事前学習（約13Bサンプルを含む）

モデル能力

ゼロショット画像分類
画像-テキストマッチング
クロスモーダル検索
マルチモーダル特徴抽出

使用事例

コンテンツモデレーション
違反コンテンツ検出
テキスト記述による違反画像コンテンツの検出
様々な違反コンテンツタイプを識別可能（精度は具体的なアプリケーションシナリオに依存）
電子商取引
ビジュアル検索
テキストクエリによる関連製品画像の検索
製品検索の関連性とユーザー体験を向上
メディア分析
画像キャプション
画像のテキスト説明を自動生成
意味的に関連する画像説明を生成可能
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
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
English简体中文繁體中文にほんご
© 2025AIbase