基于SigLIP 2的ViT图像编码器,用于提取图像特征,支持多语言视觉-语言任务。
下载量 731
发布时间 : 2/21/2025
模型简介
这是一个基于SigLIP 2的Vision Transformer模型,专门用于图像特征提取。它是SigLIP 2论文中描述的视觉编码器部分,适用于各种视觉-语言任务。
模型特点
改进的语义理解
基于SigLIP 2架构,具有增强的语义理解能力
定位能力
改进了图像中对象的定位能力
密集特征提取
能够提取更丰富的密集图像特征
Sigmoid损失函数
使用Sigmoid损失进行语言图像预训练,提高了模型性能
模型能力
图像特征提取
视觉-语言理解
多模态表示学习
使用案例
计算机视觉
图像检索
使用提取的图像特征进行高效的图像检索
视觉问答
作为视觉编码器用于视觉问答系统
多模态应用
图文匹配
用于图像和文本的匹配任务
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