Vit Huge Patch14 Clip Quickgelu 378.dfn5b
CLIPアーキテクチャに基づくViT-Huge画像エンコーダ、DFN5Bデータセットでトレーニングされ、高速GELU活性化をサポート
ダウンロード数 27
リリース時間 : 12/26/2024
モデル概要
このモデルはCLIPフレームワークの視覚エンコーダ部分で、Vision Transformer (ViT)アーキテクチャを採用し、画像特徴抽出タスクを効率的に処理するように特別に設計されています。
モデル特徴
大規模ViTアーキテクチャ
ViT-Hugeアーキテクチャを採用し、より強力な特徴抽出能力を備えています
高速GELU活性化
QuickGELU活性化関数を使用し、計算効率を向上させます
CLIP互換設計
CLIPフレームワークの視覚エンコーダ部分として、テキストエンコーダと連携して使用可能
大規模事前学習
DFN5Bデータセットでトレーニングされ、強力な視覚表現能力を備えています
モデル能力
画像特徴抽出
視覚表現学習
クロスモーダルアラインメント
使用事例
コンピュータビジョン
画像分類
分類タスクのための画像特徴を抽出
画像検索
類似性検索のための画像埋め込みを生成
マルチモーダルアプリケーション
画像とテキストのマッチング
テキストエンコーダと連携して画像とテキストのクロスモーダルマッチングを実現
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