# マルチモーダル検索

FG-CLIPは細粒度視覚とテキストの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領域レベルの画像-テキストアラインメントを実現します。

Jina Embeddings v4は、マルチモーダルおよび多言語検索用に設計された汎用埋め込みモデルで、グラフ、表、イラストを含むビジュアルに富んだ複雑なドキュメントの検索に特に適しています。

これはOpenCLIPフレームワークに基づき、LAION-2B英語サブセットで訓練された視覚言語モデルで、ゼロショット画像分類やクロスモーダル検索タスクに優れています。

OpenCLIPフレームワークを使用し、LAION-2B英語データセットで訓練された視覚-言語モデル。ゼロショット画像分類とクロスモーダル検索をサポート

CLIP ViT-L/14をファインチューニングした視覚言語モデルで、抽象的な画像-テキスト検索タスクに最適化されています

DataComp 1Bデータセットで事前学習された確率的言語-画像事前学習(ProLIP)ViT-B/16モデル

Jina CLIP v2 は、テキストと画像に対応した汎用的な多言語マルチモーダル埋め込みモデルで、89言語をサポートし、より高い画像解像度とネスト表現能力を備えています。

ColPaliはPaliGemma-3BとColBERT戦略に基づく視覚検索モデルで、視覚特徴から効率的に文書をインデックス化します。

OpenCLIPライブラリを基にしたゼロショット画像分類モデルで、特許画像分析に適しています

OpenCLIPフレームワークを使用し、LAION-2BデータセットでトレーニングされたCLIP ViT-B/32モデル。ゼロショット画像分類とクロスモーダル検索タスクをサポート

OpenAI CLIP ViT-L/14をベースにしたファインチューニングモデルで、幾何学的パラメータ化(GmP)により性能向上を実現、特にテキストエンコーディング能力を最適化

これはDataComp-1BデータセットでトレーニングされたCLIP ViT-B/32モデルで、ゼロショット画像分類や画像テキスト検索などのタスクに使用されます。

これはDataComp-1Bデータセットで訓練されたCLIP ViT-B/32モデルで、OpenCLIPフレームワークを使用して256x256解像度で訓練され、主にゼロショット画像分類と画像テキスト検索タスクに使用されます。

CLIP-ViT-L/14をPMC-OAデータセットでファインチューニングした視覚言語モデル

これはDataComp-1BデータセットでトレーニングされたCLIP ViT-L/14モデルで、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。

これはDataComp-1BデータセットでOpenCLIPを使用して訓練されたCLIP ViT-B/16モデルで、主にゼロショット画像分類と画像テキスト検索に使用されます。

このモデルはDataComp-1Bデータセットで訓練されたCLIP ViT-L/14モデルで、主にゼロショット画像分類と画像テキスト検索タスクに使用されます。

アラビア語CLIPは、画像から概念を学習しアラビア語テキスト記述と関連付けることができる、対照的言語-画像事前学習(CLIP)モデルのアラビア語適応版です。

LAION-2BデータセットでトレーニングされたCLIP ConvNeXt-XXLargeモデル。OpenCLIPフレームワークを使用し、非ViT画像タワーCLIPモデルとして初めて>79%のImageNet top-1ゼロショット精度を達成

ConvNeXt-Largeアーキテクチャに基づくCLIPモデルで、LAION-2B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。

ConvNeXt-Largeアーキテクチャに基づくCLIPモデルで、LAION-2Bデータセットで訓練され、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

LAION-2Bデータセットでトレーニングされた大規模ConvNeXt-Large CLIP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

OpenCLIPフレームワークを使用してLAION-2Bデータセットでトレーニングされた視覚-言語モデルで、ゼロショット画像分類とクロスモーダル検索をサポート

ConvNeXt-Baseアーキテクチャを基にしたCLIPモデルで、OpenCLIPを使用してLAION-5Bのサブセットでトレーニングされ、ゼロショット画像分類タスクに焦点を当てています

ConvNeXt-Baseアーキテクチャに基づくCLIPモデルで、LAION-5Bのサブ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に適しています。

LAION-AestheticデータセットでトレーニングされたConvNeXt-BaseアーキテクチャのCLIPモデルで、ゼロショット画像分類とクロスモーダル検索タスクをサポート

ConvNeXt-Baseアーキテクチャに基づくCLIPモデルで、LAION-5Bサブ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

OpenCLIPフレームワークでトレーニングされたマルチモーダル視覚言語モデルで、LAION-2B英語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タスクをサポートします

初のオープンソース中国語CLIPモデル、1億2300万のテキスト画像ペアで事前学習、テキストエンコーダはRoBERTa-baseアーキテクチャを採用。

OpenCLIPフレームワークを使用してLAION-2B英語データセットでトレーニングされた視覚-言語モデルで、ゼロショット画像分類とクロスモーダル検索タスクをサポートします

OpenCLIPフレームワークを使用し、LAION-2B英語サブセットでトレーニングされた視覚言語モデル。ゼロショット画像分類と画像テキスト検索をサポート

OpenCLIPフレームワークを使用し、LAION-2B英語サブセットでトレーニングされた視覚-言語モデルで、ゼロショット画像分類とクロスモーダル検索をサポート