%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
PE Core B16 224
Apache-2.0
感知编码器是通过简单视觉-语言学习训练的最先进的图像和视频理解编码器，在多种视觉任务上实现了最先进的性能。
文本生成图像
P
facebook
9,663
11
PE Core G14 448
Apache-2.0
感知编码器（PE）是通过简单视觉-语言学习训练出的最先进的图像与视频理解编码器，在多种视觉任务上均达到最先进性能。
文本生成图像
P
facebook
22.83k
14
PE Core L14 336
Apache-2.0
Meta开发的大规模视觉编码器模型，通过对比预训练和合成视频数据微调，在各类视觉任务中达到最先进性能
文本生成图像
P
facebook
11.52k
34
Sail Clip Hendrix 10epochs
基于openai/clip-vit-large-patch14微调的视觉语言模型，经过10个epoch的训练
文本生成图像
Transformers
TransformersS
cringgaard
49
0
Git RSCLIP
Apache-2.0
Git-RSCLIP是基于Git-10M数据集预训练的视觉-语言模型，专注于遥感图像的多模态理解。
文本生成图像
Safetensors
SafetensorsG
lcybuaa
59.37k
4
Vit SO400M 14 SigLIP2
Apache-2.0
一个在WebLI数据集上训练的SigLIP 2视觉语言模型，适用于零样本图像分类任务。
文本生成图像
V
timm
1,178
0
Eva02 Large Patch14 Clip 336.merged2b
MIT
EVA02 CLIP 是一个基于 CLIP 架构的大规模视觉-语言模型，支持零样本图像分类等任务。
文本生成图像
E
timm
197
0
Eva02 Large Patch14 Clip 224.merged2b
MIT
EVA CLIP模型是基于OpenCLIP和timm模型权重的视觉语言模型，支持零样本图像分类等任务。
图像分类
E
timm
165
0
Eva02 Enormous Patch14 Clip 224.laion2b
MIT
EVA-CLIP是一个基于CLIP架构的视觉-语言模型，支持零样本图像分类任务。
文本生成图像
E
timm
38
0
Brahmai Clip V0.1
MIT
基于ViT-L/14和掩码自注意力Transformer的CLIP模型，用于零样本图像分类研究
文本生成图像 Transformers 英语
Transformers 英语B
brahmairesearch
12.53k
0
Resnet50x64 Clip.openai
MIT
基于OpenCLIP库的ResNet50x64架构的CLIP模型，支持零样本图像分类任务。
图像分类
R
timm
622
0
Fashion Embedder
MIT
FashionCLIP是基于CLIP的视觉语言模型，专门针对时尚领域进行微调，能够生成通用的时尚产品表征。
文本生成图像 Transformers 英语
Transformers 英语F
McClain
58
0
Vit H 14 CLIPA Datacomp1b
Apache-2.0
CLIPA-v2模型，一个高效的对比式图文模型，专为零样本图像分类任务设计。
文本生成图像
V
UCSC-VLAA
65
1
Vit H 14 CLIPA 336 Laion2b
Apache-2.0
CLIPA-v2模型，基于laion2B-en数据集训练，专注于零样本图像分类任务
文本生成图像
V
UCSC-VLAA
74
4
Vit B 16 SigLIP
Apache-2.0
基于WebLI数据集训练的SigLIP（Sigmoid Loss for Language Image Pre-training）模型，用于零样本图像分类任务。
文本生成图像
V
timm
27.77k
31
FLIP Base 32
Apache-2.0
这是一个基于CLIP架构的视觉语言模型，专门针对人脸图像进行了8000万张图片的后训练。
多模态融合 Transformers
TransformersF
FLIP-dataset
16
0
Clip Vit Base Patch32
OpenAI开发的CLIP模型，基于Vision Transformer架构，支持图像与文本的联合理解
文本生成图像 Transformers
TransformersC
Xenova
177.13k
8
CLIP ViT B 32 Laion2b E16
MIT
基于OpenCLIP实现的视觉-语言预训练模型，支持零样本图像分类任务
文本生成图像
C
justram
89
0
CLIP ViT L 14 CommonPool.XL S13b B90k
MIT
基于CLIP架构的视觉-语言预训练模型，支持零样本图像分类和跨模态检索任务
文本生成图像
C
laion
4,255
2
CLIP ViT B 16 DataComp.L S1b B8k
MIT
基于CLIP架构的零样本图像分类模型，使用DataComp数据集训练，支持高效的图像-文本匹配任务。
文本生成图像
C
laion
1,166
1
CLIP ViT B 16 CommonPool.L.clip S1b B8k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
138
0
CLIP ViT B 16 CommonPool.L.laion S1b B8k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务，使用laion-s1B-b8K数据集训练
文本生成图像
C
laion
106
0
CLIP ViT B 16 CommonPool.L.text S1b B8k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
58
0
CLIP ViT B 16 CommonPool.L S1b B8k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
517
0
CLIP ViT B 32 DataComp.M S128m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务，使用DataComp.M数据集训练
文本生成图像
C
laion
212
0
CLIP ViT B 32 CommonPool.M.clip S128m B4k
MIT
基于CLIP架构的零样本图像分类模型，支持通用池化功能
图像生成文本
C
laion
164
0
CLIP ViT B 32 CommonPool.M.laion S128m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
65
0
CLIP ViT B 32 CommonPool.M.image S128m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
73
0
CLIP ViT B 32 CommonPool.M.text S128m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
68
0
CLIP ViT B 32 CommonPool.M.basic S128m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务。
文本生成图像
C
laion
67
0
CLIP ViT B 32 CommonPool.M S128m B4k
MIT
基于CLIP架构的零样本图像分类模型，支持通用视觉-语言任务
文本生成图像
C
laion
79
0
CLIP ViT B 32 DataComp.S S13m B4k
MIT
基于CLIP架构的零样本图像分类模型，使用DataComp数据集训练，支持多种视觉任务。
文本生成图像
C
laion
92
0
CLIP ViT B 32 CommonPool.S.clip S13m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
68
0
CLIP ViT B 32 CommonPool.S.laion S13m B4k
MIT
基于CLIP架构的视觉语言模型，支持零样本图像分类任务
文本生成图像
C
laion
58
0
CLIP ViT B 32 CommonPool.S.image S13m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
60
0
CLIP ViT B 32 CommonPool.S S13m B4k
MIT
基于CLIP架构的视觉-语言模型，支持零样本图像分类任务
文本生成图像
C
laion
79
0
Eva02 Enormous Patch14 Clip 224.laion2b S4b B115k
MIT
基于EVA02架构的大规模视觉-语言模型，支持零样本图像分类任务
文本生成图像
E
timm
130
1
Eva02 Large Patch14 Clip 224.merged2b S4b B131k
MIT
EVA02是一个基于CLIP架构的大规模视觉语言模型，支持零样本图像分类任务。
图像分类
E
timm
5,696
6
Vit Large Patch14 Clip 336.openai
Apache-2.0
OpenAI开发的CLIP模型，采用ViT-L/14架构，支持零样本图像分类任务
文本生成图像
V
timm
35.62k
2
CLIP ViT G 14 Laion2b S34b B88k
MIT
基于LAION-2B数据集训练的CLIP ViT-g/14模型，支持零样本图像分类和图文检索任务
文本生成图像
C
laion
76.65k
24
- 1
- 2
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型，性能媲美GPT-3.5-turbo，优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型 Transformers 支持多种语言
Transformers 支持多种语言L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型，专为边缘设备推理设计，体积仅为Cosmo-3B模型的2%左右。
对话系统 Transformers 英语
Transformers 英语C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型，适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98