CLIP ViT B 32 CommonPool.M.text S128m B4k
基于CLIP架构的视觉-语言模型,支持零样本图像分类任务
Downloads 68
Release Time : 4/26/2023
Model Overview
该模型是CLIP架构的一个变体,结合了视觉Transformer(ViT)和文本编码器,能够理解图像和文本的关联性,适用于跨模态检索和分类任务。
Model Features
零样本学习能力
无需特定任务的微调即可执行新的图像分类任务
跨模态理解
能够同时处理和理解视觉和文本信息
高效架构
基于ViT-B/32的视觉编码器,平衡了性能和计算效率
Model Capabilities
图像分类
跨模态检索
零样本学习
图像-文本匹配
Use Cases
内容检索
基于文本的图像搜索
使用自然语言描述搜索相关图像
自动标注
图像自动标注
为图像生成描述性标签
Featured Recommended AI Models
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers Supports Multiple Languages

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers English

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 Chinese
R
uer
2,694
98