# 圖像文本匹配

基於CLIP-ViT-B/32微調的視覺語言模型，適用於圖像-文本匹配任務

基於openai/clip-vit-large-patch14微調的視覺語言模型，經過10個epoch的訓練

MEXMA-SigLIP2是一個結合了MEXMA多語言文本編碼器和SigLIP2圖像編碼器的高性能CLIP模型，支持80種語言。

這是一個用於調試的小型CLIP模型，基於ViT架構，隨機初始化權重。

基於BeichenZhang/LongCLIP-L微調的CLIP模型，支持長文本輸入（248詞符），採用幾何參數化(GmP)技術提升性能

基於Vision Transformer架構的大規模視覺語言模型，支持圖像與文本的跨模態理解

基於ViLT架構的視覺語言模型，在特定任務上進行了微調

OpenAI 開源的 CLIP 模型，基於 Vision Transformer (ViT) 架構，支持圖像和文本的聯合理解。

基於LAION-2B數據集訓練的CLIP大模型，採用ViT-bigG-14架構，支持圖文跨模態理解

由rinna株式會社訓練的日語CLOOB（對比留一增強）模型，用於圖像與文本的跨模態理解

基於Vision Transformer架構的大規模視覺語言預訓練模型，支持圖像與文本的跨模態理解

這是一個適用於日語的CLIP文本/圖像編碼器模型，通過蒸餾技術將英語版CLIP模型轉換為日語版本。