Vit Giantopt Patch16 Siglip 384.v2 Webli
SigLIP 2に基づくViT画像エンコーダー、timm向けに設計され、視覚言語タスクに適している
ダウンロード数 160
リリース時間 : 2/21/2025
モデル概要
これはSigLIP 2アーキテクチャに基づく視覚トランスフォーマー(ViT)モデルで、画像エンコーダーのみを含みます。Sigmoid損失関数を使用して事前学習されており、様々な視覚言語理解タスクに適しています。
モデル特徴
SigLIP 2アーキテクチャ
改良されたSigLIP 2アーキテクチャを採用し、強化されたセマンティック理解と位置特定能力を備えています
Sigmoid損失関数
Sigmoid損失関数を使用して事前学習を行い、モデルの性能を向上させています
高解像度処理
384x384ピクセルの入力解像度をサポート
Webliデータセット事前学習
Webli大規模データセットで事前学習を行っています
モデル能力
画像特徴抽出
視覚的セマンティック理解
画像位置特定
使用事例
視覚言語タスク
画像検索
テキストクエリに基づいて関連画像を検索
画像キャプション
画像に対して記述的なテキストを生成
視覚的質問応答
画像内容に関する質問に回答
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