Microsoft Git Base
GITはTransformerベースの生成的画像テキスト変換モデルで、視覚コンテンツをテキスト記述に変換できます。
ダウンロード数 18
リリース時間 : 12/4/2024
モデル概要
GIT(GenerativeImage2Text)はCLIP画像トークンとテキストトークンを組み合わせたTransformerデコーダモデルで、教師強制方式で訓練され、画像キャプション生成や視覚的質問応答などのタスクを実行できます。
モデル特徴
双方向画像アテンション
モデルは画像パッチトークンに双方向アテンションマスクを使用し、画像コンテンツを十分に理解します。
因果的テキスト生成
テキスト生成時には以前のテキストトークンにのみアクセス可能で、一貫性のあるテキスト記述を生成します。
マルチタスクサポート
画像キャプション生成、視覚的質問応答、さらには画像分類など、さまざまなタスクに使用できます。
モデル能力
画像キャプション生成
視覚的質問応答
画像分類(テキスト生成経由)
動画キャプション生成
使用事例
コンテンツ生成
自動画像タグ付け
画像に正確なテキスト記述を生成
画像検索システムやアクセシビリティに利用可能
視覚的質問応答
画像コンテンツ質問応答
画像内容に関する自然言語質問に回答
インテリジェントアシスタントや教育アプリケーションに利用可能
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