# 跨模態檢索

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。

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。

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。

UniME是一個基於多模態大模型的通用嵌入學習框架，通過文本判別知識蒸餾和硬負樣本增強的指令調優策略，顯著提升了多模態嵌入能力。

UniME是一個基於多模態大模型的通用嵌入學習模型，採用336×336圖像分辨率訓練，在MMEB排行榜上位列第一。

基於SigLIP 2微調的視覺語言模型，最大文本長度從64提升至256標記

基於Qwen2.5-Omni-7B構建的多模態嵌入模型，支持跨語言文本、圖像、音頻和視頻的統一嵌入表示

mmE5是基於Llama-3.2-11B-Vision訓練的多模態多語言嵌入模型，通過高質量合成數據改進嵌入性能，在MMEB基準測試中達到最先進水平。

ConceptCLIP是一個通過醫學概念增強的大規模視覺語言預訓練模型，適用於多種醫學影像模態，能在多種醫學影像任務中實現穩健性能。

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

LLM2CLIP是一種利用大型語言模型（LLM）釋放CLIP潛力的創新方法，通過對比學習框架提升文本判別性，突破原始CLIP文本編碼器的限制。

LLM2CLIP是一種創新方法，通過大語言模型增強CLIP的跨模態能力，顯著提升視覺和文本表徵的判別力。

LLM2CLIP是一種利用大語言模型（LLM）擴展CLIP能力的創新方法，通過對比學習框架提升文本判別性，顯著提升跨模態任務性能。

LLM2CLIP是一種創新方法，通過大語言模型(LLM)增強CLIP的視覺表徵能力，顯著提升跨模態任務性能

面向遙感領域的多語言視覺-語言預訓練模型，支持10種語言的圖像-文本跨模態任務

E5-V是基於多模態大語言模型的通用嵌入方法，能夠處理文本和圖像輸入並生成統一的嵌入表示。

Safe-CLIP 是基於 CLIP 模型的增強型視覺與語言模型，旨在降低 AI 應用中與 NSFW（不適合工作場所）內容相關的風險。

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

高性能視覺嵌入模型，與nomic-embed-text-v1.5共享相同的嵌入空間，支持多模態應用

高性能視覺嵌入模型，與nomic-embed-text-v1共享相同的嵌入空間，支持多模態應用

基於CLIP ViT-B/32架構的ONNX移植版本，適用於圖像分類和相似性搜索任務。

M3D-CLIP是專為3D醫學影像設計的CLIP模型，通過對比損失實現視覺與語言的對齊。

BLaIR是基於亞馬遜評論2023數據集預訓練的語言模型，專注於推薦和檢索場景，能夠生成強大的商品文本表徵並預測相關商品。

NLLB-SigLIP-MRL 是一個結合了NLLB模型的文本編碼器和SigLIP模型的圖像編碼器的多語言視覺-語言模型，支持Flores-200的201種語言。

結合NLLB文本編碼器和SigLIP圖像編碼器的多語言視覺語言模型，支持201種語言和多種嵌入維度

OWLv2是一個基於視覺語言預訓練的模型，專注於對象檢測和定位任務。

OWL-ViT 是一個基於視覺Transformer的開放詞彙目標檢測模型，能夠檢測圖像中未在訓練集中出現的類別。

InternVL-14B-224px 是一個14B參數量的視覺語言基礎模型，支持多種視覺語言任務。

LanguageBind 是一種通過語言實現多模態語義對齊的預訓練模型，能夠將視頻、音頻、深度、熱成像等多種模態與語言進行綁定，實現跨模態的理解和檢索。

基於ViLT架構的視覺語言模型，在特定任務上進行了微調

LanguageBind是一種以語言為中心的多模態預訓練方法，通過語言作為不同模態間的紐帶實現語義對齊。

LanguageBind是一種通過基於語言的語義對齊將視頻-語言預訓練擴展至N模態的多模態模型，獲得了ICLR 2024的接收。

NLLB-CLIP-SigLIP 是一個結合了NLLB模型的文本編碼器和SigLIP模型的圖像編碼器的多語言視覺語言模型，支持201種語言。

NLLB-CLIP-SigLIP是一個結合了NLLB模型的文本編碼器和SigLIP模型的圖像編碼器的多語言視覺語言模型，支持201種語言。

X-CLIP是CLIP的極簡擴展，用於通用視頻-語言理解，通過對比學習訓練視頻和文本的匹配關係。

MetaCLIP是基於CommonCrawl數據訓練的視覺-語言模型，用於構建圖像-文本共享嵌入空間。

MetaCLIP是基於CommonCrawl(CC)25億數據點訓練的大規模視覺-語言模型，解密了CLIP的數據篩選方法

MetaCLIP是基於CommonCrawl數據訓練的視覺-語言模型，用於構建圖像-文本共享嵌入空間

MetaCLIP是應用於CommonCrawl數據的CLIP框架實現，旨在揭示CLIP訓練數據篩選方法

MetaCLIP是基於CommonCrawl(CC)25億數據點訓練的視覺-語言模型，用於構建圖像-文本共享嵌入空間。