# 画像テキストマッチング

CLIP-ViT-B/32をファインチューニングした視覚言語モデルで、画像-テキストマッチングタスクに適しています

openai/clip-vit-large-patch14をベースにファインチューニングした視覚言語モデル、10エポックの訓練を経て

MEXMA-SigLIP2は、MEXMA多言語テキストエンコーダーとSigLIP2画像エンコーダーを組み合わせた高性能CLIPモデルで、80言語をサポートしています。

これはデバッグ用の小型CLIPモデルで、ViTアーキテクチャに基づき、重みをランダムに初期化しています。

BeichenZhang/LongCLIP-LをベースにファインチューンしたCLIPモデルで、長文入力（248トークン）をサポートし、幾何学的パラメータ化(GmP)技術で性能向上を実現

Vision Transformerアーキテクチャに基づく大規模視覚言語モデルで、画像とテキストのクロスモーダル理解をサポート

ViLTアーキテクチャに基づく視覚言語モデルで、特定タスク向けにファインチューニング済み

OpenAIがオープンソース化したCLIPモデルで、Vision Transformer (ViT) アーキテクチャに基づき、画像とテキストの共同理解をサポートします。

LAION-2BデータセットでトレーニングされたCLIP大規模モデル、ViT-bigG-14アーキテクチャを採用、画像とテキストのクロスモーダル理解をサポート

rinna株式会社によって訓練された日本語CLOOB（Contrastive Leave-One-Out Boost）モデルで、画像とテキストのクロスモーダル理解に使用されます

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。

これは日本語に適したCLIPテキスト/画像エンコーダーモデルで、蒸留技術を用いて英語版CLIPモデルから日本語版に変換されました。