AIbase
TW
模型選型
標籤
多模態學習

# 多模態學習

Openvision Vit So400m Patch14 384
Apache-2.0
OpenVision是一個完全開放、經濟高效的高級視覺編碼器家族，用於多模態學習。
多模態融合
O
UCSC-VLAA
238
0
Openvision Vit Base Patch8 384
Apache-2.0
OpenVision是一個完全開源且經濟高效的先進視覺編碼器家族，專為多模態學習設計。
多模態融合 Transformers
O
UCSC-VLAA
47
0
Openvision Vit Base Patch16 160
Apache-2.0
OpenVision是一個完全開源、經濟高效的高級視覺編碼器家族，用於多模態學習。
多模態融合
O
UCSC-VLAA
15
0
Openvision Vit Small Patch8 384
Apache-2.0
OpenVision是一個全開放、高性價比的先進視覺編碼器家族，專注於多模態學習。
多模態融合
O
UCSC-VLAA
21
0
Openvision Vit Small Patch16 224
Apache-2.0
OpenVision是一個全開放、高性價比的先進視覺編碼器家族，專注於多模態學習。
圖像增強
O
UCSC-VLAA
17
0
Med Dis B
一個基於PyTorch的動作識別模型，適用於機器人技術領域
視頻處理
M
therarelab
14
0
Wedgit Stack Single Fixed
一個基於擴散策略的機器人控制模型，通過PyTorchModelHubMixin集成發佈
多模態融合
W
jclinton1
76
0
Instruct CLIP
Apache-2.0
InstructCLIP是一種通過對比學習自動優化數據的模型，旨在提升指令引導的圖像編輯效果。
文本生成圖像 英語
I
SherryXTChen
74
2
Genmedclip B 16 PMB
MIT
基於open_clip庫的零樣本圖像分類模型，專注於醫療領域的圖像分析
圖像分類
G
wisdomik
408
0
Genmedclip
MIT
GenMedClip 是一個基於 open_clip 庫的零樣本圖像分類模型，專注於醫學圖像分析。
圖像分類
G
wisdomik
40
0
Moe LLaVA Qwen 1.8B 4e
Apache-2.0
MoE-LLaVA是一種基於專家混合架構的大型視覺語言模型，通過稀疏激活參數實現高效的多模態學習
文本生成圖像 Transformers
M
LanguageBind
176
14
Echo Clip R
MIT
一個基於開放剪輯庫的零樣本圖像分類模型，支持多種視覺任務
圖像分類
E
mkaichristensen
547
4
Git 20
MIT
基於微軟GIT框架的多模態模型，專注於從學生作業圖像中提取文本並生成教師反饋
圖像生成文本 Transformers 支持多種語言
G
uf-aice-lab
18
1
Git Base Textvqa
MIT
基於microsoft/git-base-textvqa在textvqa數據集上微調的視覺問答模型，擅長處理包含文本的圖像問答任務
大型語言模型 Transformers 其他
G
Hellraiser24
19
0
Dof Passport 1
MIT
基於naver-clova-ix/donut-base微調的模型，具體用途未明確說明
圖像生成文本 Transformers
D
Sebabrata
16
0
AIbase
智啟未來，您的人工智能解決方案智庫
English简体中文繁體中文にほんご
© 2025AIbase