Vit So400m Patch16 Siglip Gap 256.v2 Webli
Apache-2.0
基於SigLIP 2的ViT圖像編碼器,採用全局平均池化,移除了注意力池化頭,適用於圖像特徵提取任務。
文本生成圖像
Transformers

V
timm
22
0
Vit So400m Patch16 Siglip 512.v2 Webli
Apache-2.0
基於SigLIP 2的視覺Transformer模型,專為圖像特徵提取設計,適用於多語言視覺-語言任務。
文本生成圖像
Transformers

V
timm
2,766
0
Vit So400m Patch16 Siglip 256.v2 Webli
Apache-2.0
SigLIP 2 ViT模型,僅包含圖像編碼器部分,用於圖像特徵提取,基於WebLI數據集訓練。
文本生成圖像
Transformers

V
timm
12.56k
0
Vit So400m Patch14 Siglip Gap 224.v2 Webli
Apache-2.0
基於SigLIP 2的ViT圖像編碼器,採用全局平均池化,移除了注意力池化頭,適用於圖像特徵提取任務。
圖像分類
Transformers

V
timm
179
0
Vit So400m Patch14 Siglip 224.v2 Webli
Apache-2.0
基於SigLIP 2架構的視覺Transformer模型,專為圖像特徵提取設計,預訓練於webli數據集。
圖像分類
Transformers

V
timm
7,005
0
Vit Large Patch16 Siglip Gap 512.v2 Webli
Apache-2.0
基於SigLIP 2架構的視覺Transformer模型,專為圖像特徵提取設計,採用全局平均池化(GAP)替代注意力池化頭部
圖像分類
Transformers

V
timm
29
0
Vit Large Patch16 Siglip Gap 256.v2 Webli
Apache-2.0
基於SigLIP 2的ViT圖像編碼器,採用全局平均池化,移除了注意力池化頭,專為圖像特徵提取設計。
文本生成圖像
Transformers

V
timm
95
0
Vit Large Patch16 Siglip 512.v2 Webli
Apache-2.0
基於SigLIP 2的ViT圖像編碼器,專為timm設計,適用於視覺-語言任務
圖像分類
Transformers

V
timm
295
0
Vit Large Patch16 Siglip 384.v2 Webli
Apache-2.0
基於SigLIP 2架構的視覺Transformer模型,專為圖像特徵提取設計,預訓練於webli數據集
文本生成圖像
Transformers

V
timm
4,265
0
Vit Giantopt Patch16 Siglip 256.v2 Webli
Apache-2.0
基於SigLIP 2技術的視覺Transformer模型,專注於圖像特徵提取
文本生成圖像
Transformers

V
timm
59
0
Vit Base Patch32 Siglip Gap 256.v2 Webli
Apache-2.0
基於SigLIP 2的視覺Transformer模型,使用全局平均池化(GAP)替代注意力池化頭的圖像編碼器
文本生成圖像
Transformers

V
timm
25
1
Vit Base Patch16 Siglip Gap 256.v2 Webli
Apache-2.0
基於SigLIP 2的ViT圖像編碼器,採用全局平均池化,移除注意力池化頭,適用於圖像特徵提取。
多模態融合
Transformers

V
timm
114
1
Vit Base Patch16 Siglip Gap 224.v2 Webli
Apache-2.0
基於SigLIP 2的視覺變換器模型,採用全局平均池化處理圖像特徵
圖像分類
Transformers

V
timm
303
0
Vit Base Patch16 Siglip 512.v2 Webli
Apache-2.0
基於SigLIP 2的視覺變換器模型,專為圖像特徵提取設計,使用webli數據集預訓練
文本生成圖像
Transformers

V
timm
2,664
0
Siglip2 So400m Patch16 Naflex
Apache-2.0
SigLIP 2 是基於 SigLIP 預訓練目標的改進模型,整合了多項技術以提升語義理解、定位和密集特徵提取能力。
文本生成圖像
Transformers

S
google
159.81k
21
Siglip2 So400m Patch14 224
Apache-2.0
SigLIP 2 是基於 SigLIP 改進的多語言視覺語言編碼器,增強了語義理解、定位和密集特徵提取能力。
圖像生成文本
Transformers

S
google
23.11k
0
Siglip2 Large Patch16 384
Apache-2.0
SigLIP 2 是在 SigLIP 基礎上改進的多語言視覺語言編碼器,提升了語義理解、定位和密集特徵提取能力。
文本生成圖像
Transformers

S
google
6,525
2
Siglip2 Large Patch16 256
Apache-2.0
SigLIP 2 是基於 SigLIP 改進的視覺語言模型,整合了多項技術以提升語義理解、定位和密集特徵提取能力。
文本生成圖像
Transformers

S
google
10.89k
3
Siglip2 Base Patch16 512
Apache-2.0
SigLIP 2 是一個視覺語言模型,整合了多項技術以提升語義理解、定位和密集特徵提取能力。
文本生成圖像
Transformers

S
google
28.01k
10
Siglip2 Base Patch16 256
Apache-2.0
SigLIP 2是一個多語言視覺語言編碼器,改進了語義理解、定位和密集特徵提取能力。
圖像生成文本
Transformers

S
google
45.24k
4
Siglip2 Base Patch32 256
Apache-2.0
SigLIP 2 是基於 SigLIP 的改進版本,整合了多項技術以提升語義理解、定位和密集特徵提取能力。
文本生成圖像
Transformers

S
google
9,419
4
Aramodernbert Base V1.0
Apache-2.0
AraModernBert是基於ModernBERT架構構建的先進阿拉伯語語言模型,結合了Transformer設計創新與100GB阿拉伯語文本的大規模訓練。
大型語言模型
Transformers 阿拉伯語

A
NAMAA-Space
660
7
Mbert Multiconer22 Hi
該模型是專為SemEval Multiconer任務設計的命名實體識別(NER)模型,用於識別多語言和跨領域文本中的複雜實體類別。
序列標註
Transformers

M
sumitrsch
23
1
Ernie 2.0 Base En
ERNIE 2.0是百度於2019年提出的持續預訓練框架,通過持續的多任務學習逐步構建和優化預訓練任務。在多項任務中表現優於BERT和XLNet。
大型語言模型
Transformers 英語

E
nghuyong
1,694
15
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

L
scb10x
3,269
16
Cadet Tiny
Openrail
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。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
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
R
uer
2,694
98