# マルチモーダル特徴抽出

OpenVisionは、完全にオープンでコスト効率の高い高度なビジョンエンコーダのファミリーで、マルチモーダル学習における画像特徴抽出に焦点を当てています。

openai/clip-vit-large-patch14をベースに微調整した特徴抽出モデルで、画像とテキストエンコーダを最適化しました。

MoonViTはネイティブ解像度のビジュアルエンコーダーで、SigLIP-SO-400Mを基に初期化および継続的な事前学習を行い、画像特徴抽出タスクに適しています。

MLCD-ViT-bigGは2次元回転位置エンコーディング(RoPE2D)を採用した先進的な視覚Transformerモデルで、ドキュメント理解と視覚質問応答タスクで優れた性能を発揮します。

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。

InternViT-300M-448px-V2_5はInternViT-300M-448pxの大幅なアップグレード版で、ViTの増分学習とNTP損失により視覚的特徴抽出能力が向上し、特に多言語OCRデータや数学的図表などの複雑なシーンに優れています。

InternViT-6B-448px-V1-0は視覚基盤モデルで、画像特徴抽出に特化し、448x448解像度をサポート、OCR能力と中国語会話サポートを強化しています。

CLIPをファインチューニングしたコイン画像検索モデルで、コイン画像の特徴抽出能力を強化

EVA02特徴/表現モデル、マスク画像モデリングによりMerged-38Mデータセットで事前学習済み、画像分類と特徴抽出タスクに適しています。

初のオープンソース中国語CLIPモデル、1.23億の画像テキストペアで事前学習、テキストエンコーダはRoBERTa-largeアーキテクチャを採用。

初のオープンソース中国語CLIPモデル、1.23億の画像テキストペアで事前学習済み、中国語の画像テキスト特徴抽出とゼロショット分類をサポート

初めてオープンソース化された中国語CLIPモデルで、1億2300万の画像テキストペアで事前学習されており、テキストエンコーダはRoBERTa-baseアーキテクチャを採用しています。