Mlcd Vit Large Patch14 336
M
Mlcd Vit Large Patch14 336
由DeepGlint-AI開發
基於ViT-L/14@336px架構的視覺特徵提取模型,在多項多模態任務中超越CLIP基準
下載量 1,450
發布時間 : 10/11/2024
模型概述
該模型採用與CLIP相同的視覺Transformer架構,專注於圖像特徵提取,特別優化了在多模態大語言模型(MLLMs)中的表現。
模型特點
多模態優化
專門針對多模態大語言模型(MLLMs)優化,在LLaVA-NeXT等框架中表現優異
高性能特徵提取
在20+個基準測試中全面超越CLIP同架構模型,平均提升1.8-2.0個百分點
大規模訓練數據
基於LAION400M和COYO700M兩大公開數據集訓練,覆蓋廣泛視覺概念
模型能力
圖像特徵提取
多模態表徵學習
視覺問答支持
圖像分類
跨模態檢索
使用案例
多模態大語言模型
LLaVA-NeXT視覺骨幹
作為視覺編碼器集成到LLaVA-NeXT框架中
在AI2D(76.98)、ScienceQA_img(78.09)等12個基準中超越CLIP
計算機視覺
線性分類任務
凍結特徵提取器進行線性探測
在CIFAR-100(93.69)、FGVC飛機(86.38)等任務中顯著優於CLIP
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98