AIbase
ZH
模型选型
标签
多模态统一框架

# 多模态统一框架

Harmon 1 5B
Harmon是一种创新的统一多模态理解与生成框架，通过共享的MAR编码器协调理解与生成的视觉表征，在文本生成图像和多模态理解任务中表现优异。
文本生成图像 英语
H
wusize
281
2
Data2vec Vision Base Ft1k
Apache-2.0
Data2Vec-Vision是基于BEiT架构的自监督学习模型，在ImageNet-1k数据集上微调，适用于图像分类任务。
图像分类 Transformers
D
facebook
7,520
2
Data2vec Vision Base
Apache-2.0
Data2Vec-Vision是基于BEiT架构的自监督学习模型，在ImageNet-1k数据集上预训练，适用于图像分类任务。
图像分类 Transformers
D
facebook
427
3
Data2vec Audio Large 960h
Apache-2.0
Data2Vec是一个通用自监督学习框架，适用于语音、视觉和语言任务。该音频大模型基于LibriSpeech的960小时语音数据预训练和微调，专为自动语音识别任务优化。
语音识别 Transformers 英语
D
facebook
2,531
7
Data2vec Audio Large 100h
Apache-2.0
Data2Vec是一个通用的自监督学习框架，适用于语音、自然语言处理和计算机视觉任务。该模型是基于Librispeech语音音频进行100小时预训练和微调的大模型。
语音识别 Transformers 英语
D
facebook
46
2
Data2vec Audio Large 10m
Apache-2.0
Data2Vec是一个通用的自监督学习框架，适用于语音、视觉和语言任务。该音频大模型基于Librispeech的10分钟数据进行预训练和微调，适用于16kHz采样的语音音频。
语音识别 Transformers 英语
D
facebook
19
0
Data2vec Audio Large
Apache-2.0
Data2Vec-Audio-Large是基于16kHz采样语音音频预训练的大型模型，采用自监督学习框架，适用于语音识别等任务。
语音识别 Transformers 英语
D
facebook
97
1
Data2vec Audio Base 100h
Apache-2.0
Data2Vec是一个通用的自监督学习框架，适用于语音、视觉和语言任务。该音频基础模型基于Librispeech语音音频进行了100小时的预训练和微调。
语音识别 Transformers 英语
D
facebook
4,369
1
Data2vec Text Base
MIT
采用data2vec目标对英语语言进行预训练的通用自监督学习框架，通过统一方法处理不同模态任务
大型语言模型 Transformers 英语
D
facebook
1,796
12
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