# 多模態對比學習

PE Core B16 224
Apache-2.0
感知編碼器是通過簡單視覺-語言學習訓練的最先進的圖像和視頻理解編碼器,在多種視覺任務上實現了最先進的性能。
文本生成圖像
P
facebook
9,663
11
PE Core G14 448
Apache-2.0
感知編碼器(PE)是通過簡單視覺-語言學習訓練出的最先進的圖像與視頻理解編碼器,在多種視覺任務上均達到最先進性能。
文本生成圖像
P
facebook
22.83k
14
PE Core L14 336
Apache-2.0
Meta開發的大規模視覺編碼器模型,通過對比預訓練和合成視頻數據微調,在各類視覺任務中達到最先進性能
文本生成圖像
P
facebook
11.52k
34
Sail Clip Hendrix 10epochs
基於openai/clip-vit-large-patch14微調的視覺語言模型,經過10個epoch的訓練
文本生成圖像 Transformers
S
cringgaard
49
0
Git RSCLIP
Apache-2.0
Git-RSCLIP是基於Git-10M數據集預訓練的視覺-語言模型,專注於遙感圖像的多模態理解。
文本生成圖像 Safetensors
G
lcybuaa
59.37k
4
Vit SO400M 14 SigLIP2
Apache-2.0
一個在WebLI數據集上訓練的SigLIP 2視覺語言模型,適用於零樣本圖像分類任務。
文本生成圖像
V
timm
1,178
0
Eva02 Large Patch14 Clip 336.merged2b
MIT
EVA02 CLIP 是一個基於 CLIP 架構的大規模視覺-語言模型,支持零樣本圖像分類等任務。
文本生成圖像
E
timm
197
0
Eva02 Large Patch14 Clip 224.merged2b
MIT
EVA CLIP模型是基於OpenCLIP和timm模型權重的視覺語言模型,支持零樣本圖像分類等任務。
圖像分類
E
timm
165
0
Eva02 Enormous Patch14 Clip 224.laion2b
MIT
EVA-CLIP是一個基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務。
文本生成圖像
E
timm
38
0
Brahmai Clip V0.1
MIT
基於ViT-L/14和掩碼自注意力Transformer的CLIP模型,用於零樣本圖像分類研究
文本生成圖像 Transformers 英語
B
brahmairesearch
12.53k
0
Resnet50x64 Clip.openai
MIT
基於OpenCLIP庫的ResNet50x64架構的CLIP模型,支持零樣本圖像分類任務。
圖像分類
R
timm
622
0
Fashion Embedder
MIT
FashionCLIP是基於CLIP的視覺語言模型,專門針對時尚領域進行微調,能夠生成通用的時尚產品表徵。
文本生成圖像 Transformers 英語
F
McClain
58
0
Vit H 14 CLIPA Datacomp1b
Apache-2.0
CLIPA-v2模型,一個高效的對比式圖文模型,專為零樣本圖像分類任務設計。
文本生成圖像
V
UCSC-VLAA
65
1
Vit H 14 CLIPA 336 Laion2b
Apache-2.0
CLIPA-v2模型,基於laion2B-en數據集訓練,專注於零樣本圖像分類任務
文本生成圖像
V
UCSC-VLAA
74
4
Vit B 16 SigLIP
Apache-2.0
基於WebLI數據集訓練的SigLIP(Sigmoid Loss for Language Image Pre-training)模型,用於零樣本圖像分類任務。
文本生成圖像
V
timm
27.77k
31
FLIP Base 32
Apache-2.0
這是一個基於CLIP架構的視覺語言模型,專門針對人臉圖像進行了8000萬張圖片的後訓練。
多模態融合 Transformers
F
FLIP-dataset
16
0
Clip Vit Base Patch32
OpenAI開發的CLIP模型,基於Vision Transformer架構,支持圖像與文本的聯合理解
文本生成圖像 Transformers
C
Xenova
177.13k
8
CLIP ViT B 32 Laion2b E16
MIT
基於OpenCLIP實現的視覺-語言預訓練模型,支持零樣本圖像分類任務
文本生成圖像
C
justram
89
0
CLIP ViT L 14 CommonPool.XL S13b B90k
MIT
基於CLIP架構的視覺-語言預訓練模型,支持零樣本圖像分類和跨模態檢索任務
文本生成圖像
C
laion
4,255
2
CLIP ViT B 16 DataComp.L S1b B8k
MIT
基於CLIP架構的零樣本圖像分類模型,使用DataComp數據集訓練,支持高效的圖像-文本匹配任務。
文本生成圖像
C
laion
1,166
1
CLIP ViT B 16 CommonPool.L.clip S1b B8k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
138
0
CLIP ViT B 16 CommonPool.L.laion S1b B8k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務,使用laion-s1B-b8K數據集訓練
文本生成圖像
C
laion
106
0
CLIP ViT B 16 CommonPool.L.text S1b B8k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
58
0
CLIP ViT B 16 CommonPool.L S1b B8k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
517
0
CLIP ViT B 32 DataComp.M S128m B4k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務,使用DataComp.M數據集訓練
文本生成圖像
C
laion
212
0
CLIP ViT B 32 CommonPool.M.clip S128m B4k
MIT
基於CLIP架構的零樣本圖像分類模型,支持通用池化功能
圖像生成文本
C
laion
164
0
CLIP ViT B 32 CommonPool.M.laion S128m B4k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
65
0
CLIP ViT B 32 CommonPool.M.image S128m B4k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
73
0
CLIP ViT B 32 CommonPool.M.text S128m B4k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
68
0
CLIP ViT B 32 CommonPool.M.basic S128m B4k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務。
文本生成圖像
C
laion
67
0
CLIP ViT B 32 CommonPool.M S128m B4k
MIT
基於CLIP架構的零樣本圖像分類模型,支持通用視覺-語言任務
文本生成圖像
C
laion
79
0
CLIP ViT B 32 DataComp.S S13m B4k
MIT
基於CLIP架構的零樣本圖像分類模型,使用DataComp數據集訓練,支持多種視覺任務。
文本生成圖像
C
laion
92
0
CLIP ViT B 32 CommonPool.S.clip S13m B4k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
68
0
CLIP ViT B 32 CommonPool.S.laion S13m B4k
MIT
基於CLIP架構的視覺語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
58
0
CLIP ViT B 32 CommonPool.S.image S13m B4k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
60
0
CLIP ViT B 32 CommonPool.S S13m B4k
MIT
基於CLIP架構的視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
C
laion
79
0
Eva02 Enormous Patch14 Clip 224.laion2b S4b B115k
MIT
基於EVA02架構的大規模視覺-語言模型,支持零樣本圖像分類任務
文本生成圖像
E
timm
130
1
Eva02 Large Patch14 Clip 224.merged2b S4b B131k
MIT
EVA02是一個基於CLIP架構的大規模視覺語言模型,支持零樣本圖像分類任務。
圖像分類
E
timm
5,696
6
Vit Large Patch14 Clip 336.openai
Apache-2.0
OpenAI開發的CLIP模型,採用ViT-L/14架構,支持零樣本圖像分類任務
文本生成圖像
V
timm
35.62k
2
CLIP ViT G 14 Laion2b S34b B88k
MIT
基於LAION-2B數據集訓練的CLIP ViT-g/14模型,支持零樣本圖像分類和圖文檢索任務
文本生成圖像
C
laion
76.65k
24
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase