AIbase
ZH
模型选型
标签
高效视觉编码

# 高效视觉编码

Smolvlm Instruct GGUF
Apache-2.0
SmolVLM是一个紧凑的开源多模态模型，能够接受图像和文本输入并生成文本输出，专为高效设计，适用于设备端应用。
图像生成文本 Transformers 英语
S
Mungert
1,023
2
Fastvlm 0.5B Stage3
其他
FastVLM-0.5B-Stage3 是一个高效的多模态语言模型，具备视觉理解和语言处理能力，能够处理长视频并生成结构化输出。
图像生成文本 Transformers 英语
F
zhaode
174
1
Fastvlm 0.5B Stage2
其他
FastVLM-0.5B-Stage2是一个高效的多模态语言模型，能够理解视觉内容并处理文本任务。
多模态融合 Transformers 英语
F
zhaode
103
1
Sam2 Hiera Small.fb R896
Apache-2.0
基于HieraDet图像编码器的SAM2模型，专注于图像特征提取任务。
图像分割 Transformers
S
timm
142
0
Sam2 Hiera Base Plus.fb R896
Apache-2.0
基于HieraDet图像编码器的SAM2模型，专注于图像特征提取任务。
图像分割 Transformers
S
timm
764
0
Clip Japanese Base
Apache-2.0
由LY Corporation开发的日语CLIP模型，基于约10亿个网络收集的图像-文本对进行训练，适用于多种视觉任务。
文本生成图像 Transformers 日语
C
line-corporation
14.31k
22
Vit B 16 Aion400m E32 1finetuned 1
MIT
基于OpenCLIP框架的视觉Transformer模型，针对零样本图像分类任务进行微调
图像分类
V
Albe-njupt
18
1
AIbase
智启未来，您的人工智能解决方案智库
English简体中文繁體中文にほんご
© 2025AIbase