モデル選定

マルチモーダル視覚エンコーディング

# マルチモーダル視覚エンコーディング

Openvision Vit Base Patch16 224

OpenVisionは、完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

マルチモーダル融合

Openvision Vit Huge Patch14 224

OpenVisionは完全オープンでコストパフォーマンスの高い先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

マルチモーダル融合

Openvision Vit Huge Patch14 84

OpenVisionは、マルチモーダル学習のために設計された、完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーです。

Openvision Vit Large Patch14 336

OpenVisionは、マルチモーダル学習のために設計された、完全にオープンでコスト効率の高い高度な視覚エンコーダーファミリーです。

画像の拡張

Openvision Vit Large Patch14 224

OpenVisionは、完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

マルチモーダル融合

Openvision Vit Large Patch14 84

OpenVisionは完全オープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーで、マルチモーダル学習タスクに焦点を当てています。

Openvision Vit Base Patch8 224

OpenVisionは、完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

Openvision Vit Base Patch8 160

OpenVision-ViT-Tinyは完全オープンで高コストパフォーマンスな先進的な視覚エンコーダで、OpenVisionファミリーの一部であり、マルチモーダル学習に焦点を当てています。

Openvision Vit Small Patch8 224

OpenVisionは、完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

Openvision Vit Tiny Patch8 384

OpenVisionは完全オープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

画像の拡張

Openvision Vit Tiny Patch8 224

OpenVisionは完全オープンで高コストパフォーマンスな先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

マルチモーダル融合

Openvision Vit Tiny Patch16 384

OpenVisionは完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

Openvision Vit Tiny Patch16 160

OpenVisionは、完全にオープンでコストパフォーマンスに優れた先進的な視覚エンコーダーファミリーで、マルチモーダル学習に焦点を当てています。

マルチモーダル融合

Vit So400m Patch16 Siglip Gap 384.v2 Webli

SigLIP 2に基づくViT画像エンコーダーで、グローバル平均プーリングを採用し、注意プーリングヘッドを削除、画像特徴抽出タスクに適しています。

Vit So400m Patch16 Siglip Gap 256.v2 Webli

SigLIP 2に基づくViT画像エンコーダーで、グローバル平均プーリングを採用し、アテンションプーリングヘッドを削除、画像特徴抽出タスクに適しています。

テキスト生成画像

Vit So400m Patch16 Siglip 512.v2 Webli

SigLIP 2に基づく視覚Transformerモデルで、画像特徴抽出のために設計されており、多言語視覚-言語タスクに適しています。

テキスト生成画像

Vit So400m Patch16 Siglip 384.v2 Webli

SigLIP 2ベースの視覚Transformerモデル、画像特徴抽出のために設計され、webliデータセットで事前学習済み

テキスト生成画像

Vit So400m Patch16 Siglip 256.v2 Webli

SigLIP 2 ViTモデル、画像エンコーダ部分のみを含み、画像特徴抽出用、WebLIデータセットで学習。

テキスト生成画像

Vit So400m Patch14 Siglip Gap 378.v2 Webli

SigLIP 2アーキテクチャに基づく視覚Transformerモデル、WebLIデータセットで事前学習され、アテンションプーリングヘッドを削除しグローバル平均プーリングを採用

Vit So400m Patch14 Siglip Gap 224.v2 Webli

SigLIP 2に基づくViT画像エンコーダーで、グローバル平均プーリングを採用し、注意プーリングヘッドを削除、画像特徴抽出タスクに適しています。

Vit So400m Patch14 Siglip 378.v2 Webli

SigLIP 2に基づく視覚Transformerモデルで、画像特徴抽出のために設計され、webliデータセットでトレーニングされました

テキスト生成画像

Vit So400m Patch14 Siglip 224.v2 Webli

SigLIP 2アーキテクチャに基づく視覚Transformerモデルで、画像特徴抽出のために設計され、webliデータセットで事前学習されています。

Vit Large Patch16 Siglip Gap 512.v2 Webli

SigLIP 2アーキテクチャに基づく視覚Transformerモデルで、画像特徴抽出のために設計され、アテンションプーリングヘッドの代わりにグローバル平均プーリング(GAP)を採用

Vit Large Patch16 Siglip Gap 384.v2 Webli

SigLIP 2アーキテクチャに基づく視覚Transformerモデルで、グローバル平均プーリング(GAP)のバリアントを採用し、注意プーリングヘッドを削除、画像特徴抽出タスクに適しています。

テキスト生成画像

Vit Large Patch16 Siglip Gap 256.v2 Webli

SigLIP 2ベースのViT画像エンコーダーで、グローバル平均プーリングを採用し、アテンションプーリングヘッドを削除、画像特徴抽出専用に設計されています。

テキスト生成画像

Vit Large Patch16 Siglip 512.v2 Webli

SigLIP 2に基づくViT画像エンコーダ、timm向けに設計され、視覚-言語タスクに適応

Vit Large Patch16 Siglip 384.v2 Webli

SigLIP 2アーキテクチャに基づく視覚Transformerモデル、画像特徴抽出のために設計され、webliデータセットで事前学習済み

テキスト生成画像

Vit Large Patch16 Siglip 256.v2 Webli

SigLIP 2アーキテクチャに基づく視覚Transformerモデルで、画像特徴抽出のために設計され、webliデータセットでトレーニングされました

Vit Giantopt Patch16 Siglip Gap 384.v2 Webli

SigLIP 2に基づくViT画像エンコーダーで、グローバル平均プーリング処理を採用し、注意プーリングヘッドを削除した画像特徴抽出タスクに適しています。

Vit Giantopt Patch16 Siglip Gap 256.v2 Webli

SigLIP 2 ViT画像エンコーダー、グローバル平均プーリングを採用、アテンションプーリングヘッドを削除、timm向けに設計

Vit Giantopt Patch16 Siglip 384.v2 Webli

SigLIP 2に基づくViT画像エンコーダー、timm向けに設計され、視覚言語タスクに適している

Vit Giantopt Patch16 Siglip 256.v2 Webli

SigLIP 2技術に基づく視覚Transformerモデル、画像特徴抽出に特化

テキスト生成画像

Vit Base Patch32 Siglip Gap 256.v2 Webli

SigLIP 2を基にした視覚Transformerモデルで、アテンションプーリングヘッドの代わりにグローバル平均プーリング(GAP)を使用した画像エンコーダ

テキスト生成画像

Vit Base Patch32 Siglip 256.v2 Webli

SigLIP 2アーキテクチャに基づく視覚Transformerモデル、画像特徴抽出専用に設計

テキスト生成画像

Vit Base Patch16 Siglip Gap 512.v2 Webli

SigLIP 2ベースのViT画像エンコーダーで、グローバル平均プーリングを採用し、注意プーリングヘッドを削除、画像特徴抽出タスクに適しています。

Vit Base Patch16 Siglip Gap 384.v2 Webli

SigLIP 2に基づくViT画像エンコーダーで、グローバル平均プーリング(GAP)を使用してアテンションプーリングヘッドを置き換え、画像特徴抽出タスクに適しています。

Vit Base Patch16 Siglip Gap 256.v2 Webli

SigLIP 2に基づくViT画像エンコーダーで、グローバル平均プーリングを採用し、注意プーリングヘッドを削除、画像特徴抽出に適しています。

マルチモーダル融合

Vit Base Patch16 Siglip Gap 224.v2 Webli

SigLIP 2を基にした視覚トランスフォーマーモデルで、グローバル平均プーリングを用いて画像特徴を処理

Vit Base Patch16 Siglip 512.v2 Webli

SigLIP 2に基づく視覚トランスフォーマーモデルで、画像特徴抽出のために設計され、webliデータセットで事前学習済み

テキスト生成画像

Vit Base Patch16 Siglip 384.v2 Webli

SigLIP 2ベースの視覚トランスフォーマーモデル、画像特徴抽出用に設計、webliデータセットで事前学習済み

テキスト生成画像

おすすめAIモデル

Llama 3 Typhoon V1.5x 8b Instruct

タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化

大規模言語モデル

Transformers 複数言語対応

Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。

対話システム

Transformers 英語

Roberta Base Chinese Extractive Qa

RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。

質問応答システム中国語

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

English 简体中文繁體中文にほんご

© 2025AIbase