采用DINOv2方法训练的视觉Transformer模型，通过自监督学习提取图像特征

基于DINOv2方法训练的视觉Transformer模型，通过自监督学习提取图像特征

基于IIT-CDIP预训练并在RVL-CDIP上微调的文档图像分类模型，采用Transformer架构

该视觉Transformer（ViT）模型在ImageNet-21k数据集上预训练，适用于图像分类任务。

SegFormer是一个基于Transformer架构的语义分割模型，采用分层编码器和轻量级MLP解码头设计。

基于ImageNet-21k数据集预训练的视觉Transformer模型，适用于图像特征提取和下游任务微调。

基于ImageNet-21k预训练的视觉Transformer模型，采用超大尺寸架构，适用于图像分类等视觉任务。

视觉变换器（ViT）是一种基于变换器架构的图像分类模型，先在ImageNet-21k上预训练，后在ImageNet上微调。

SegFormer是一个基于Transformer的语义分割模型，其编码器在Imagenet-1k上进行了微调。

由SberDevices团队预训练的俄语RoBERTa大模型，参数量3.55亿，基于250GB俄语文本训练

SegFormer是一个基于Transformer的语义分割模型，采用分层编码器和轻量级MLP解码头设计，在ADE20K和Cityscapes等基准测试中表现优异。

该视觉Transformer（ViT）模型先在ImageNet-21k数据集上预训练，后在ImageNet数据集上微调，适用于图像分类任务。