FG-CLIP是一种细粒度视觉与文本对齐模型，通过两阶段训练实现全局和区域级的图文对齐，提升细粒度视觉理解能力。

SigLIP 2 是基于 SigLIP 预训练目标的改进模型，整合了多项技术以提升语义理解、定位和密集特征提取能力。

SigLIP 2 是一个多语言视觉-语言编码器，整合了SigLIP的预训练目标并增加了新的训练方案，提升了语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 的视觉语言模型，增强了语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 预训练目标的改进模型，整合了多项技术以提升语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 的改进模型，整合了多项技术以提升语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 预训练目标的视觉语言模型，整合了多项技术以提升语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 改进的多语言视觉语言编码器，增强了语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 预训练目标的改进模型，整合了多项技术以提升语义理解、定位和密集特征提取能力。

SigLIP 2 是一个先进的视觉语言模型，整合了多项技术以提升语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 的改进模型，整合了多项技术以提升语义理解、定位和密集特征提取能力。

SigLIP 2 是在 SigLIP 基础上改进的多语言视觉语言编码器，提升了语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 改进的视觉语言模型，整合了多项技术以提升语义理解、定位和密集特征提取能力。

SigLIP 2 是一个视觉语言模型，整合了多项技术以提升语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 的视觉语言模型，通过统一训练方案提升了语义理解、定位和密集特征提取能力。

SigLIP 2是一个多语言视觉语言编码器，改进了语义理解、定位和密集特征提取能力。

SigLIP 2是基于SigLIP改进的多语言视觉语言编码器，增强了语义理解、定位和密集特征提取能力。

SigLIP 2 是基于 SigLIP 的改进版本，整合了多项技术以提升语义理解、定位和密集特征提取能力。

基于OpenCLIP框架训练的日语CLIP模型，在14.5亿日文图文对数据集上训练，支持零样本图像分类和图文检索任务

日语CLIP模型，基于OpenCLIP框架训练，支持零样本图像分类任务

TiC-CLIP是基于OpenCLIP改进的视觉语言模型，专注于时间持续学习，训练数据涵盖2014至2022年

SigLIP是基于WebLi数据集预训练的视觉语言模型，采用改进的sigmoid损失函数，优化了图像-文本匹配任务。

SigLIP是基于WebLi数据集预训练的多模态模型，采用改进的Sigmoid损失函数，适用于零样本图像分类和图文检索任务。

SigLIP是基于WebLi数据集预训练的视觉语言模型，采用改进的sigmoid损失函数提升性能

SigLIP是基于WebLi数据集预训练的视觉-语言模型，采用改进的sigmoid损失函数，在图像分类和图文检索任务中表现优异。

SigLIP是基于WebLi数据集预训练的多模态模型，采用改进的sigmoid损失函数，适用于零样本图像分类和图文检索任务。

SigLIP是基于WebLi数据集预训练的视觉语言模型，采用改进的Sigmoid损失函数，在图像分类和图文检索任务中表现优异。

SigLIP是基于WebLi数据集预训练的视觉语言模型，采用改进的Sigmoid损失函数，优化了图像-文本匹配任务

基于LAION-2B数据集训练的CLIP ConvNeXt-XXLarge模型，采用OpenCLIP框架实现，专注于零样本图像分类任务。

ALIGN是一个视觉-语言双编码器模型，通过对比学习实现图像与文本表征的对齐，利用大规模噪声数据实现先进的跨模态表征效果。