C
Clip Vit Large Patch14 336
由 openai 开发
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
下载量 5.9M
发布时间 : 4/22/2022
模型简介
该模型是OpenAI CLIP架构的实现,使用ViT-Large作为视觉编码器,支持336x336分辨率图像输入,能够进行图像-文本匹配和零样本分类任务
模型特点
跨模态理解
能够同时处理视觉和文本信息,建立两种模态间的语义关联
零样本学习
无需特定任务微调即可执行新类别的图像分类任务
高分辨率处理
支持336x336像素的输入分辨率,比标准CLIP模型(224x224)具有更细粒度的视觉理解能力
模型能力
图像-文本相似度计算
零样本图像分类
多模态特征提取
跨模态检索
使用案例
内容审核
违规内容检测
通过文本描述检测不符合规定的图像内容
电子商务
产品搜索
使用自然语言查询匹配相关产品图像
媒体分析
图像标注
自动生成图像的描述性文本
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
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
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
AIbase是一个专注于MCP服务的平台,为AI开发者提供高质量的模型上下文协议服务,助力AI应用开发。
简体中文