モデル選定

高密度特徴抽出

# 高密度特徴抽出

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 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 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 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 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 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 256.v2 Webli

SigLIP 2ベースのViT画像エンコーダーで、画像特徴の抽出に使用され、多言語視覚-言語タスクをサポートします。

テキスト生成画像

Vit Base Patch16 Siglip 224.v2 Webli

SigLIP 2に基づくViTモデルで、画像特徴抽出に特化し、webliデータセットで学習済み

テキスト生成画像

Vit So400m Patch16 Siglip Gap 512.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、視覚言語タスクに適しています。

テキスト生成画像

Vit L 16 SigLIP2 512

WebLIデータセットで学習されたSigLIP 2視覚言語モデル、ゼロショット画像分類タスクをサポート

テキスト生成画像

Siglip2 So400m Patch16 Naflex

SigLIP 2はSigLIP事前学習目標を基に改良されたモデルで、意味理解、位置特定、高密度特徴抽出能力を向上させるために複数の技術を統合しています。

テキスト生成画像

Siglip2 Base Patch16 Naflex

SigLIP 2は多言語視覚-言語エンコーダーで、SigLIPの事前学習目標を統合し新しい訓練スキームを追加することで、意味理解、位置特定、高密度特徴抽出能力を向上させました。

テキスト生成画像

Siglip2 So400m Patch16 512

SigLIP 2はSigLIPを基盤とした視覚言語モデルで、意味理解、位置特定、高密度特徴抽出能力が強化されています。

テキスト生成画像

Siglip2 So400m Patch14 224

SigLIP 2 は SigLIP を改良した多言語視覚言語エンコーダーで、意味理解、位置特定、高密度特徴抽出能力が強化されています。

画像生成テキスト

Siglip2 Large Patch16 384

SigLIP 2 は SigLIP を基に改良された多言語視覚言語エンコーダーで、意味理解、位置特定、高密度特徴抽出能力が向上しています。

テキスト生成画像

Siglip2 Large Patch16 256

SigLIP 2 は SigLIP を改良した視覚言語モデルで、意味理解、位置特定、高密度特徴抽出能力を向上させるために複数の技術を統合しています。

テキスト生成画像

Siglip2 Base Patch16 384

SigLIP 2はSigLIPを基にした視覚言語モデルで、統一されたトレーニング手法により意味理解、位置特定、高密度特徴抽出能力を向上させています。

画像生成テキスト

Siglip2 Base Patch16 256

SigLIP 2は多言語の視覚言語エンコーダで、意味理解、位置特定、高密度特徴抽出能力が向上しています。

画像生成テキスト

AM-RADIOはNVIDIA研究所が開発した視覚基盤モデルで、集約型アーキテクチャにより複数領域の統一表現を実現し、様々なコンピュータビジョンタスクに適用可能です。

画像セグメンテーション

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