# 视觉-语言对齐

基于BART-Large和ViT的视觉语言模型，用于生成图像的英文描述文本。

TITAN是一个多模态全切片基础模型，通过视觉自监督学习和视觉-语言对齐进行预训练，用于病理学图像分析。

LLM2CLIP是一种利用大型语言模型（LLM）释放CLIP潜力的创新方法，通过对比学习框架提升文本判别性，突破原始CLIP文本编码器的限制。

LLM2CLIP是一种创新方法，通过大语言模型增强CLIP的跨模态能力，显著提升视觉和文本表征的判别力。

LLM2CLIP是一种利用大语言模型（LLM）扩展CLIP能力的创新方法，通过对比学习框架提升文本判别性，显著提升跨模态任务性能。

LLM2CLIP是一种创新方法，通过大语言模型(LLM)增强CLIP的视觉表征能力，显著提升跨模态任务性能

基于MetaCLIP-400M数据集训练的视觉变换器模型，支持零样本图像分类任务

基于MetaCLIP-2.5B数据集训练的视觉Transformer模型，兼容open_clip和timm框架

该模型是基于openai/clip-vit-large-patch14-336微调的版本，主要用于图像-文本匹配任务。

寒武纪是一个开源的以视觉为核心设计的 multimodal LLM（多模态大语言模型）。

InternViT-6B-448px-V1-0是一个视觉基础模型，专注于图像特征提取，支持448x448分辨率，增强了OCR能力和中文对话支持。

基于CLIP架构的视觉语言模型，支持零样本图像分类任务

CLIP是一个多模态视觉语言模型，能够将图像和文本映射到共享的嵌入空间，实现零样本图像分类和跨模态检索。

基于distilbert-base-multilingual的模型，调整以匹配40种语言的嵌入空间，与CLIP文本编码器的嵌入空间相匹配。