AIbase
TW
模型選型
標籤
大規模視覺語言模型

# 大規模視覺語言模型

Vit So400m Patch14 Siglip Gap 896.pali2 3b Pt
Apache-2.0
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 Transformers
V
timm
14
1
CLIP Convnext Xxlarge Laion2b S34b B82k Augreg
MIT
基於LAION-2B數據集訓練的CLIP ConvNeXt-XXLarge模型，採用OpenCLIP框架實現，是首個非ViT架構達到>79% ImageNet零樣本準確率的CLIP模型
文本生成圖像
C
laion
6,616
9
CLIP Convnext Xxlarge Laion2b S34b B82k Augreg Rewind
MIT
基於LAION-2B數據集訓練的CLIP ConvNeXt-XXLarge模型，採用OpenCLIP框架實現，專注於零樣本圖像分類任務。
文本生成圖像
C
laion
63
2
CLIP Convnext Xxlarge Laion2b S34b B82k Augreg Soup
MIT
基於LAION-2B數據集訓練的CLIP ConvNeXt-XXLarge模型，採用OpenCLIP框架訓練，是首個非ViT圖像塔CLIP模型實現>79% ImageNet top-1零樣本準確率
文本生成圖像
C
laion
9,412
22
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