Hiera是一种分层式视觉Transformer模型，兼具快速、强大且简洁的特点，在广泛图像与视频任务中超越现有技术水平的同时显著提升了运行速度。

基于OpenAI CLIP初始化的视觉语言模型，在ImageNet上进行监督式对抗微调，具有鲁棒性增强特性

基于OpenAI CLIP初始化的视觉语言模型，通过无监督对抗微调提升鲁棒性

基于OpenAI CLIP初始化的视觉语言模型，通过无监督对抗微调提升鲁棒性

混合视觉变换器（ViT）模型结合了卷积网络和Transformer架构，用于图像分类任务，在ImageNet上表现出色。

ConvNeXT是一个纯卷积模型，设计灵感来自视觉Transformer，在ImageNet-1k数据集上以224x224分辨率训练而成。

ConvNeXT是一个纯卷积模型，设计灵感来自视觉变换器，在ImageNet-1k数据集上训练，性能优于传统视觉变换器。

ConvNeXT是一个纯卷积模型，设计灵感源自视觉Transformer，在ImageNet-1k数据集上训练，用于图像分类任务。