# SigLIP視覚エンコーディング

Smolvlm 500M Anime Caption V0.2
Apache-2.0
アニメスタイルの画像記述に特化した視覚言語モデル、SmolVLM-500M-Baseをファインチューニング
画像生成テキスト Safetensors 英語
S
Andres77872
17
0
Janus Pro 7B
MIT
Janus-Proは、マルチモーダル理解と生成を統一する新しい自己回帰フレームワークです。視覚エンコーディングパスを分離し、単一の統一Transformerアーキテクチャを使用してマルチモーダルタスクを処理します。
テキスト生成画像 Transformers
J
Athagi
15
1
Vit So400m Patch14 Siglip Gap 896.pali2 10b Pt
Apache-2.0
SigLIP画像エンコーダーに基づく視覚モデルで、グローバル平均プーリングを備えており、PaliGemma2モデルの一部です
テキスト生成画像 Transformers
V
timm
57
1
Vit So400m Patch14 Siglip Gap 448.pali Mix
Apache-2.0
SigLIP画像エンコーダーに基づく視覚言語モデルで、グローバル平均プーリング処理を採用し、マルチモーダルタスクに適しています。
テキスト生成画像 Transformers
V
timm
15
0
Vit So400m Patch14 Siglip 378.webli
Apache-2.0
SigLIPベースの視覚Transformerモデルで、画像エンコーダーのみを含み、オリジナルのアテンションプーリングメカニズムを採用しています。
画像分類 Transformers
V
timm
82
0
Vit Large Patch16 Siglip 384.webli
Apache-2.0
SigLIPベースの視覚Transformerモデル、画像エンコーダーのみを含み、オリジナルアテンションプーリングを採用、画像特徴抽出タスクに適しています。
画像分類 Transformers
V
timm
64
0
Vit Base Patch16 Siglip 384.webli
Apache-2.0
SigLIPベースの視覚Transformerモデル、画像エンコーダ部分のみを含み、オリジナルアテンションプーリングメカニズムを採用
画像分類 Transformers
V
timm
64
1
Vit Base Patch16 Siglip 256.webli
Apache-2.0
SigLIPベースのViT-B-16画像エンコーダーモデルで、オリジナルアテンションプーリングを採用し、画像特徴抽出タスクに適しています。
画像分類 Transformers
V
timm
269
1
Vit So400m Patch14 Siglip 224.webli
Apache-2.0
SigLIPベースの視覚Transformerモデル、画像エンコーダ部分のみを含み、オリジナルアテンションプーリングメカニズムを採用
画像分類 Transformers
V
timm
123
1
Llm Jp 3 Vila 14b
国立情報学研究所によって開発された大規模視覚言語モデルで、日本語と英語をサポートし、強力な画像理解とテキスト生成能力を備えています。
画像生成テキスト Safetensors 日本語
L
llm-jp
106
10
FLUX.1 Dev IP Adapter
その他
FLUX.1-devモデルのIPアダプターで、画像処理方法をテキストと同様に扱い、テキストから画像生成タスクに使用可能
テキスト生成画像 英語
F
InstantX
8,361
279
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
© 2025AIbase