零樣本遷移

# 零樣本遷移

基於CLIP-ViT-B/32微調的視覺語言模型，適用於圖像-文本匹配任務

文本生成圖像

Openvision Vit So400m Patch14 384

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

Openvision Vit So400m Patch14 224

OpenVision是一個完全開源、高性價比的先進視覺編碼器家族，專為多模態學習設計，性能匹配甚至超越OpenAI CLIP。

多模態融合

Openvision Vit Base Patch16 160

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

ViCA2是一個多模態視覺語言模型，專注於視頻理解和視覺空間認知任務。

視頻生成文本

Transformers 英語

Vica2 Stage2 Onevision Ft

ViCA2是一個7B參數規模的多模態視覺語言模型，專注於視頻理解和視覺空間認知任務。

視頻生成文本

Transformers 英語

Blip Custom Captioning

BLIP是一個統一的視覺-語言預訓練框架，擅長圖像描述生成等視覺-語言任務

圖像生成文本

Ipa Whisper Base

基於Whisper-base微調的多語言語音識別模型，支持國際音標(IPA)輸出

語音識別支持多種語言

Vit So400m Patch16 Siglip 256.v2 Webli

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

Vit So400m Patch14 Siglip 224.v2 Webli

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。

Vit Large Patch16 Siglip 384.v2 Webli

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

Vit Large Patch16 Siglip 256.v2 Webli

基於SigLIP 2架構的視覺Transformer模型，專為圖像特徵提取設計，訓練於webli數據集

Vit Giantopt Patch16 Siglip 384.v2 Webli

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

Vit Base Patch16 Siglip Gap 256.v2 Webli

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

Vit Base Patch16 Siglip 384.v2 Webli

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

Vit Base Patch16 Siglip 224.v2 Webli

基於SigLIP 2的ViT模型，專注於圖像特徵提取，使用webli數據集訓練

文本生成圖像

Blip Image Captioning Large

基於COCO數據集預訓練的視覺語言模型，擅長生成精準的圖像描述

圖像生成文本

Snowflake Arctic Embed M V2.0 Cpu

Snowflake Arctic Embed M v2.0 是一個多語言句子嵌入模型，專注於句子相似度任務，支持超過50種語言。

Transformers 支持多種語言

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。

Vit Huge Patch14 Clip 224.dfn5b

基於CLIP架構的ViT-Huge圖像編碼器，由蘋果公司發佈的DFN5B-CLIP模型，適用於視覺特徵提取任務。

Convnext Large Mlp.clip Laion2b Ft Soup 320

基於CLIP架構的ConvNeXt-Large圖像編碼器，在LAION-2B數據集上微調，支持320x320分辨率圖像特徵提取

Convnext Large Mlp.clip Laion2b Augreg

基於CLIP框架的ConvNeXt-Large圖像編碼器，使用LAION-2B數據集訓練，支持視覺特徵提取

VesselFM 是一個基礎模型，用於在任意成像領域中實現通用的 3D 血管分割。

CogACT是一種基於視覺語言模型(VLM)衍生的新型高級視覺語言動作(VLA)架構，專為機器人操作設計。

多模態融合

Transformers 英語

CogACT是一種基於視覺語言模型(VLM)衍生的新型高級視覺語言動作(VLA)架構，專為機器人操作設計。

多模態融合

Transformers 英語

CogACT是一種新型視覺語言動作(VLA)架構，結合視覺語言模型與專用動作模塊，用於機器人操作任務。

多模態融合

Transformers 英語

Aimv2 Large Patch14 Native Image Classification

AIMv2-Large-Patch14-Native 是一個適配後的圖像分類模型，基於原始AIMv2模型修改，兼容Hugging Face Transformers的AutoModelForImageClassification類。

Paligemma2 3b Pt 224

PaliGemma 2是Google開發的視覺語言模型(VLM)，結合了Gemma 2語言模型和SigLIP視覺模型的能力，支持多語言視覺語言任務。

圖像生成文本

Paligemma2 3b Ft Docci 448

PaliGemma 2是Google推出的升級版視覺語言模型，結合Gemma 2和SigLIP視覺模型的能力，支持多語言視覺語言任務。

圖像生成文本

Sam2.1 Hiera Small

SAM 2是FAIR研發的面向圖像與視頻可提示視覺分割的基礎模型，支持通過提示進行高效分割。

Sam2.1 Hiera Large

SAM 2是FAIR研發的面向圖像與視頻可提示視覺分割的基礎模型，支持通過提示進行通用分割任務。

Sam2 Hiera Base Plus

SAM 2是FAIR研發的面向圖像和視頻可提示視覺分割的基礎模型，支持通過提示進行高效分割。

Cogflorence 2.1 Large

該模型是microsoft/Florence-2-large的微調版本，在Ejafa/ye-pop數據集的4萬張圖像子集上進行了訓練，標註由THUDM/cogvlm2-llama3-chat-19B生成，專注於圖像轉文本任務。

圖像生成文本

Transformers 支持多種語言

AM-RADIO是NVIDIA研究院開發的視覺基礎模型，採用聚合式架構實現多領域統一表徵，適用於各類計算機視覺任務。

RADIO是由NVIDIA研究院開發的視覺基礎模型，能夠將不同領域的視覺信息統一表徵，適用於多種視覺任務。

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。

多模態對齊

BLIP是一個統一的視覺語言預訓練框架，擅長圖像描述生成和視覺問答等任務，通過創新的數據過濾機制提升性能

圖像生成文本

Cogflorence 2 Large Freeze

這是microsoft/Florence-2-large模型的微調版本，在Ejafa/ye-pop數據集的38,000張圖像子集上訓練，使用CogVLM2生成標註，專注於圖像轉文本任務。

圖像生成文本

Transformers 支持多種語言

4M是一個通過標記化與掩碼技術實現多模態擴展的'任意到任意'基礎模型訓練框架

多模態融合

這是一個基於Apache-2.0許可證發佈的模型，具體信息暫不可知。

大型語言模型

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