# 图像文本匹配

基于CLIP-ViT-B/32微调的视觉语言模型，适用于图像-文本匹配任务

基于openai/clip-vit-large-patch14微调的视觉语言模型，经过10个epoch的训练

MEXMA-SigLIP2是一个结合了MEXMA多语言文本编码器和SigLIP2图像编码器的高性能CLIP模型，支持80种语言。

这是一个用于调试的小型CLIP模型，基于ViT架构，随机初始化权重。

基于BeichenZhang/LongCLIP-L微调的CLIP模型，支持长文本输入（248词符），采用几何参数化(GmP)技术提升性能

基于Vision Transformer架构的大规模视觉语言模型，支持图像与文本的跨模态理解

基于ViLT架构的视觉语言模型，在特定任务上进行了微调

OpenAI 开源的 CLIP 模型，基于 Vision Transformer (ViT) 架构，支持图像和文本的联合理解。

基于LAION-2B数据集训练的CLIP大模型，采用ViT-bigG-14架构，支持图文跨模态理解

由rinna株式会社训练的日语CLOOB（对比留一增强）模型，用于图像与文本的跨模态理解

基于Vision Transformer架构的大规模视觉语言预训练模型，支持图像与文本的跨模态理解

这是一个适用于日语的CLIP文本/图像编码器模型，通过蒸馏技术将英语版CLIP模型转换为日语版本。