AIbase
JA
ホーム
Clip Vit Large Patch14 336
C

Clip Vit Large Patch14 336

openaiによって開発
Vision Transformerアーキテクチャに基づく大規模な視覚言語事前学習モデルで、画像とテキストのクロスモーダル理解をサポートします。
テキスト生成画像
Transformers
#マルチモーダル理解#ゼロショット分類#画像テキストマッチング
ダウンロード数 5.9M
リリース時間 : 4/22/2022

モデル概要

このモデルはOpenAI CLIPアーキテクチャの実装で、ViT-Largeを視覚エンコーダーとして使用し、336x336解像度の画像入力をサポートし、画像 - テキストマッチングとゼロショット分類タスクを実行できます。

モデル特徴

クロスモーダル理解
視覚情報とテキスト情報を同時に処理し、2つのモーダリティ間の意味的な関連を構築できます。
ゼロショット学習
特定のタスクでの微調整なしで、新しいクラスの画像分類タスクを実行できます。
高解像度処理
336x336ピクセルの入力解像度をサポートし、標準のCLIPモデル（224x224）よりも細かい視覚理解能力を持ちます。

モデル能力

画像 - テキスト類似度計算
ゼロショット画像分類
マルチモーダル特徴抽出
クロスモーダル検索

使用事例

コンテンツ審査
違反コンテンツ検出
テキスト記述を通じて、規定に違反する画像コンテンツを検出します。
電子商取引
商品検索
自然言語クエリを使用して関連する商品画像をマッチングします。
メディア分析
画像注釈
画像の説明的なテキストを自動生成します。
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