# マルチモーダル対照学習

EVA-CLIPは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タスクをサポートします。

FashionCLIPはCLIPをベースにした視覚言語モデルで、ファッション分野に特化してファインチューニングされており、汎用的なファッション製品の特徴表現を生成できます。

WebLIデータセットで訓練されたSigLIP（Sigmoid Loss for Language Image Pre-training）モデルで、ゼロショット画像分類タスクに使用されます。

これはCLIPアーキテクチャに基づく視覚言語モデルで、特に顔画像に対して8000万枚の画像で追加学習されています。

LAION-2Bデータセットで訓練されたCLIP ViT-g/14モデル、ゼロショット画像分類と画像テキスト検索タスクをサポート

X-CLIPはCLIPのミニマルな拡張で、汎用的な動画と言語の理解のために設計されており、(動画、テキスト)ペアで対照的に訓練され、ゼロショット、少数ショット、または完全教師ありの動画分類や動画-テキスト検索などのタスクに適しています。