# 視覺-語言對齊

基於BART-Large和ViT的視覺語言模型，用於生成圖像的英文描述文本。

TITAN是一個多模態全切片基礎模型，通過視覺自監督學習和視覺-語言對齊進行預訓練，用於病理學圖像分析。

LLM2CLIP是一種利用大型語言模型（LLM）釋放CLIP潛力的創新方法，通過對比學習框架提升文本判別性，突破原始CLIP文本編碼器的限制。

LLM2CLIP是一種創新方法，通過大語言模型增強CLIP的跨模態能力，顯著提升視覺和文本表徵的判別力。

LLM2CLIP是一種利用大語言模型（LLM）擴展CLIP能力的創新方法，通過對比學習框架提升文本判別性，顯著提升跨模態任務性能。

LLM2CLIP是一種創新方法，通過大語言模型(LLM)增強CLIP的視覺表徵能力，顯著提升跨模態任務性能

基於MetaCLIP-400M數據集訓練的視覺變換器模型，支持零樣本圖像分類任務

基於MetaCLIP-2.5B數據集訓練的視覺Transformer模型，兼容open_clip和timm框架

該模型是基於openai/clip-vit-large-patch14-336微調的版本，主要用於圖像-文本匹配任務。

寒武紀是一個開源的以視覺為核心設計的 multimodal LLM（多模態大語言模型）。

InternViT-6B-448px-V1-0是一個視覺基礎模型，專注於圖像特徵提取，支持448x448分辨率，增強了OCR能力和中文對話支持。

基於CLIP架構的視覺語言模型，支持零樣本圖像分類任務

CLIP是一個多模態視覺語言模型，能夠將圖像和文本映射到共享的嵌入空間，實現零樣本圖像分類和跨模態檢索。

基於distilbert-base-multilingual的模型，調整以匹配40種語言的嵌入空間，與CLIP文本編碼器的嵌入空間相匹配。