多模態預訓練

# 多模態預訓練

基於視覺-語言預訓練技術的零樣本皮膚病評估模型，整合多方面知識增強，為皮膚病研究和診斷提供有效工具。

文本生成圖像

Style 250412.vit Base Patch16 Siglip 384.v2 Webli

基於Vision Transformer架構的視覺模型，採用SigLIP（Sigmoid Loss for Language-Image Pretraining）訓練方法，適用於圖像理解任務。

Comp SigLIP So400M

CoMP-MM-1B是一個支持原生圖像分辨率輸入的視覺基礎模型（VFM），基於SigLIP持續預訓練而成。

多模態融合

YOLOE是一個即時視覺全能模型，支持零樣本目標檢測等多種視覺任務。

YOLOE是一個即時視覺全能模型，結合了目標檢測和視覺理解能力，適用於多種視覺任務。

YOLOE 是一個零樣本目標檢測模型，能夠即時檢測視覺場景中的各種物體。

Aimv2 Large Patch14 448.apple Pt

AIM-v2是一個基於timm庫的圖像特徵提取模型，採用大尺寸補丁設計，適用於高分辨率圖像處理。

Aimv2 Huge Patch14 224.apple Pt

AIM-v2是一個高效的圖像編碼器，基於timm庫實現，適用於圖像特徵提取任務。

Aimv2 3b Patch14 448.apple Pt

AIM-v2是一個基於timm庫的圖像編碼器模型，具有3B參數規模，適用於圖像特徵提取任務。

Aimv2 3b Patch14 336.apple Pt

AIM-v2是一個基於timm庫的圖像編碼器模型，適用於圖像特徵提取任務。

Aimv2 3b Patch14 224.apple Pt

AIM-v2是一個高效的圖像編碼器模型，兼容timm框架，適用於計算機視覺任務。

Aimv2 1b Patch14 336.apple Pt

AIM-v2是由蘋果公司開發的圖像編碼器模型，基於timm庫兼容的架構，適用於圖像特徵提取任務。

Resnet101 Clip Gap.openai

基於CLIP框架的ResNet101圖像編碼器，通過全局平均池化(GAP)提取圖像特徵

Resnet50x4 Clip Gap.openai

基於CLIP框架的ResNet50x4變體模型，專為圖像特徵提取設計

Resnet50 Clip Gap.openai

基於CLIP模型視覺編碼器部分的ResNet50變體，通過全局平均池化(GAP)提取圖像特徵

Resnet50 Clip Gap.cc12m

基於ResNet50架構的CLIP風格圖像編碼器，使用CC12M數據集訓練，通過全局平均池化(GAP)提取特徵

Vit Huge Patch14 Clip Quickgelu 378.dfn5b

基於CLIP架構的ViT-Huge圖像編碼器，使用DFN5B數據集訓練，支持快速GELU激活

Vit Huge Patch14 Clip 378.dfn5b

DFN5B-CLIP的視覺編碼器部分，基於ViT-Huge架構，使用378x378分辨率圖像訓練的CLIP模型

Vit Base Patch16 Clip 224.dfn2b

基於CLIP架構的視覺Transformer模型，由蘋果公司發佈的DFN2B-CLIP圖像編碼器權重

Vit So400m Patch14 Siglip Gap 896.pali Pt

基於SigLIP圖像編碼器的視覺模型，採用全局平均池化，是PaliGemma項目的一部分

文本生成圖像

Vit So400m Patch14 Siglip Gap 896.pali2 10b Pt

基於SigLIP圖像編碼器的視覺模型，帶全局平均池化，是PaliGemma2模型的一部分

文本生成圖像

Vit So400m Patch14 Siglip Gap 896.pali2 3b Pt

基於SigLIP圖像編碼器的視覺模型，採用全局平均池化，是PaliGemma2項目的一部分

文本生成圖像

Vit So400m Patch14 Siglip Gap 448.pali Mix

基於SigLIP圖像編碼器的視覺語言模型，採用全局平均池化處理，適用於多模態任務。

文本生成圖像

Vit So400m Patch14 Siglip 378.webli

基於SigLIP的視覺Transformer模型，僅包含圖像編碼器，採用原始注意力池化機制。

Vit Large Patch16 Siglip Gap 384.webli

基於SigLIP的視覺Transformer模型，採用全局平均池化，適用於圖像特徵提取任務。

Vit Base Patch16 Siglip 384.webli

基於SigLIP的視覺Transformer模型，僅包含圖像編碼器部分，採用原始注意力池化機制

Vit Base Patch16 Siglip 256.webli

基於SigLIP的ViT-B-16圖像編碼器模型，採用原始注意力池化，適用於圖像特徵提取任務。

Vit Base Patch16 Siglip Gap 224.webli

基於SigLIP的視覺Transformer模型，僅包含圖像編碼器部分，採用全局平均池化策略

Vit Base Patch16 Siglip 224.webli

基於SigLIP的視覺Transformer模型，僅包含圖像編碼器部分，採用原始注意力池化機制

Vit Large Patch14 Clip 224.laion2b

基於CLIP架構的視覺Transformer模型，專注於圖像特徵提取

Vit Large Patch14 Clip 224.datacompxl

基於CLIP架構的視覺Transformer模型，專門用於圖像特徵提取，由LAION組織發佈。

Vit Huge Patch14 Clip 224.laion2b

基於CLIP框架的ViT-Huge視覺編碼器，使用laion2B數據集訓練，支持圖像特徵提取

Vit Base Patch32 Clip 256.datacompxl

基於CLIP架構的視覺Transformer模型，專注於圖像特徵提取，支持256x256分辨率輸入

Vit Base Patch32 Clip 224.laion2b

基於CLIP架構的視覺Transformer模型，專為圖像特徵提取設計，使用laion2B數據集訓練

Vit Base Patch32 Clip 224.datacompxl

基於CLIP架構的視覺Transformer模型，專為圖像特徵提取設計，使用DataComp XL數據集訓練

Vit Base Patch16 Clip 224.datacompxl

基於CLIP架構的視覺Transformer模型，專門用於圖像特徵提取，採用ViT-B/16結構並在DataComp XL數據集上訓練

Convnext Xxlarge.clip Laion2b Soup

基於CLIP框架的ConvNeXt-XXLarge圖像編碼器，由LAION訓練，適用於多模態任務

Convnext Base.clip Laiona

基於CLIP框架的ConvNeXt Base模型，使用LAION-Aesthetic數據集訓練，適用於圖像特徵提取任務。

Convnext Base.clip Laion2b Augreg

基於CLIP框架的ConvNeXt Base圖像編碼器，使用LAION-2B數據集訓練，支持圖像特徵提取

Convnext Base.clip Laion2b

基於ConvNeXt架構的CLIP圖像編碼器，由LAION組織訓練，適用於多模態視覺-語言任務

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

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。

Transformers 英語

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

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