# ゼロショット分類

OpenCLIP-ViT-L-14モデルをベースに、テスト時レジスタ技術を導入し、モデルの解釈可能性と下流タスクの性能を向上させます。

これはゼロショット分類タスクに使用されるtransformersモデルで、大量のラベル付きデータを必要とせずにテキストを分類できます。

OpenCLIP - ViT - B - 16アーキテクチャに基づく視覚言語モデルで、テスト時レジスタを導入して内部表現を最適化し、特徴マップのアーチファクト問題を解決します。

CLIPアーキテクチャを基にファインチューニングされた視覚言語モデルで、植物病害のゼロショット分類に特化

Mistralアーキテクチャに基づいて最適化された命令微調整モデルで、ゼロショット分類タスクに適しています。

FG-CLIPは細粒度視覚とテキストアラインメントモデルで、2段階のトレーニングによりグローバルおよびリージョンレベルの画像テキストアラインメントを実現し、細粒度視覚理解能力を向上させます。

MoritzLaurer/deberta-v3-base-zeroshot-v2.0-cをベースにファインチューニングしたゼロショット分類モデル、NLIフレームワークのSmartShot手法でトレーニング

roberta-base-zeroshot-v2.0-cをベースにSmartShot手法と合成データで性能向上を図ったゼロショット分類モデル

このモデルはggml.aiのGGUF-my-repoスペースで、llama.cppを使用してBAAI/bge-reranker-v2-m3から変換されたGGUF形式のモデルで、主にテキスト分類タスクに使用されます。

mDeBERTa-v3をファインチューニングした感情検出モデルで、インドネシア語と英語の感情分類をサポート

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

Git-RSCLIPはGit-10Mデータセットで事前学習された視覚-言語モデルで、リモートセンシング画像のマルチモーダル理解に特化しています。

Marqo-FashionSigLIPはファッション製品検索に最適化された多モーダル埋め込みモデルで、FashionCLIPと比較してMRRとリコール率で57%向上しています。

facebook/drama-largeをXNLIとANLIデータセットでファインチューニングしたゼロショット分類モデルで、15言語の自然言語推論タスクをサポートします。

これは事前学習済みのバックドア注入モデルで、コントラスティブ言語画像事前学習におけるバックドアサンプル検出の研究に使用されます。

このモデルはAlibaba-NLP/gte-multilingual-baseをXNLIとANLIデータセットでファインチューニングしたバージョンで、多言語自然言語推論タスクをサポートします。

このモデルはAlibaba-NLP/gte-multilingual-baseをXNLIデータセットでファインチューニングしたバージョンで、多言語自然言語推論タスクをサポートします。

CLIPモデルをファインチューニングしたレゴブロックの画像-テキストマッチングモデルで、レゴブロックとその説明を識別するために設計されています。

ConceptCLIPは医学的概念を強化した大規模視覚言語事前学習モデルで、様々な医療画像モダリティに対応し、多様な医療画像タスクで堅牢な性能を発揮します。

ModernBERT-largeモデルをベースに、マルチタスクファインチューニングで最適化された自然言語推論モデルで、ゼロショット分類とNLIタスクで優れた性能を発揮します。

ModernBERT-baseをファインチューニングしたゼロショット分類器で、効率的かつ高速でメモリ使用量が少なく、様々なテキスト分類タスクに適しています。

ModernBERT-largeをファインチューニングしたゼロショット分類器で、効率的で高速かつメモリ使用量が少なく、さまざまなテキスト分類タスクに適しています。

OpenCLIPフレームワークでトレーニングされた日本語CLIPモデルで、14.5億の日本語画像テキストペアデータセットでトレーニングされ、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します

ResNet50アーキテクチャに基づくCLIPモデルの画像エンコーダー、64倍の幅拡張を備え、グローバル平均プーリング(GAP)戦略を使用

CLIPフレームワークに基づくResNet50x16バリアントモデル、画像特徴抽出に特化

CLIPフレームワークに基づくResNet50x4バリアントモデルで、画像特徴抽出用に設計

CLIPモデルの視覚エンコーダ部分に基づくResNet50バリアントで、グローバル平均プーリング(GAP)により画像特徴を抽出

ResNet50アーキテクチャに基づくCLIPスタイルの画像エンコーダー、CC12Mデータセットでトレーニングされ、グローバル平均プーリング(GAP)で特徴を抽出

CLIPアーキテクチャに基づく視覚トランスフォーマーモデルで、画像特徴抽出に特化しており、Apple社によってリリースされました。

ModernBERT-largeをファインチューニングした自然言語推論モデルで、ゼロショット分類タスク専用

CLIPアーキテクチャに基づく視覚Transformerモデル、画像特徴抽出に特化

CLIPフレームワークに基づくViT-Huge視覚エンコーダ、laion2Bデータセットでトレーニング済み、画像特徴抽出をサポート

CLIPアーキテクチャに基づく視覚Transformerモデル、画像特徴抽出用に設計、laion2Bデータセットで学習

CLIPフレームワークに基づくConvNeXt Baseモデルで、LAION-Aestheticデータセットでトレーニングされ、画像特徴抽出タスクに適しています。

ModernBERTはマルチタスクソースの自然言語推論（NLI）タスクでファインチューニングされたモデルで、ゼロショット分類と長文脈推論に優れています。

日本語CLIPモデル、OpenCLIPフレームワークで訓練され、ゼロショット画像分類タスクをサポート

DeBERTa-v3-baseをファインチューニングしたゼロショットテキスト分類モデルで、アノテーションデータが不足しているシナリオや迅速なプロトタイピングに適しています。

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。

AIMv2はマルチモーダル自己回帰目標で事前学習された視覚モデルシリーズで、多くのマルチモーダル理解ベンチマークで優れた性能を発揮します。

LLM2CLIPは、大規模言語モデル（LLM）を活用してCLIPの潜在能力を解放する革新的な手法で、対照学習フレームワークを通じてテキスト識別性を向上させ、元のCLIPテキストエンコーダーの制限を突破します。