AIbase
TW
模型選型
標籤
高精度圖像理解

# 高精度圖像理解

Clip Vitb16 Test Time Registers
基於OpenCLIP-ViT-B-16架構的視覺語言模型，通過引入測試時寄存器優化內部表示，解決特徵圖偽影問題
文本生成圖像 Transformers
C
amildravid4292
517
0
Llada V
LLaDA-V是一款基於擴散模型的視覺語言模型，性能超越其他擴散多模態大語言模型。
文本生成圖像 Safetensors
L
GSAI-ML
174
8
Internvl3 8B Bf16
其他
InternVL3-8B-bf16 是一個基於 MLX 格式轉換的視覺語言模型，支持多語言圖像文本到文本任務。
圖像生成文本 Transformers 其他
I
mlx-community
96
1
Sarashina2 Vision 14b
MIT
Sarashina2-Vision-14B是由SB Intuitions開發的日本大型視覺語言模型，結合了Sarashina2-13B和Qwen2-VL-7B的圖像編碼器，在多個基準測試中表現優異。
圖像生成文本 Transformers 支持多種語言
S
sbintuitions
192
6
Convnext Xxlarge.clip Laion2b Soup
Apache-2.0
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
圖像分類 Transformers
C
timm
220
0
Resnet50x64 Clip.openai
MIT
基於OpenCLIP庫的ResNet50x64架構的CLIP模型，支持零樣本圖像分類任務。
圖像分類
R
timm
622
0
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 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