基于CLIP-ViT-B/32微调的视觉语言模型，适用于图像-文本匹配任务

赫尔墨斯流是一个通用的多模态大语言模型对齐框架，能够自主生成同源偏好数据，并通过自我博弈迭代优化与配对DPO技术，无缝弥合多模态理解与生成的鸿沟。

基于ResNet50架构的CLIP模型图像编码器，具有64倍宽度扩展，使用全局平均池化(GAP)策略

基于CLIP框架的ResNet50x16变体模型，专注于图像特征提取

基于CLIP架构的ViT-Huge图像编码器，由苹果公司发布的DFN5B-CLIP模型，适用于视觉特征提取任务。

基于SigLIP的视觉Transformer模型，仅包含图像编码器部分，采用原始注意力池化机制

这是一个强大的文本-图像交错输入输出模型，通过对齐万物算法进行了深度对齐，提升了图像生成能力和人类偏好对齐能力。

HPT是一种将不同实体对齐到共享潜在空间的变换器模型，专注于策略学习中的扩展行为研究。

OWL-ViT 是一个基于视觉Transformer的开放词汇目标检测模型，能够检测图像中未在训练集中出现的类别。

LanguageBind 是一种通过语言实现多模态语义对齐的预训练模型，能够将视频、音频、深度、热成像等多种模态与语言进行绑定，实现跨模态的理解和检索。

LanguageBind是一种以语言为中心的多模态预训练方法，通过语言作为不同模态间的纽带实现语义对齐。

LanguageBind是一种以语言为中心的多模态预训练方法，通过语言作为不同模态之间的纽带，实现视频、红外、深度、音频等多种模态的语义对齐。

LanguageBind是一种通过基于语言的语义对齐将视频-语言预训练扩展至N模态的多模态模型，获得了ICLR 2024的接收。

LanguageBind是一种以语言为中心的多模态预训练方法，通过语言作为不同模态之间的纽带，实现语义对齐。

LanguageBind是一种以语言为中心的多模态预训练方法，通过语言作为不同模态之间的纽带，实现视频、红外、深度、音频等多种模态的语义对齐。

LanguageBind是一种通过语言语义对齐将视频-语言预训练扩展至N模态的多模态预训练框架，被ICLR 2024收录。

LanguageBind 是一种以语言为中心的多模态预训练方法，通过语言语义对齐将视频-语言预训练扩展至N模态，实现了高性能的多模态理解与对齐。

LanguageBind是一个通过语言作为纽带实现多模态语义对齐的预训练框架，支持视频、红外、深度、音频等多种模态与语言的联合学习。

TinySapBERT是一个基于SapBERT框架训练的微型生物医学实体表示模型，专为生物医学命名实体识别任务设计。

基于dbmdz/distilbert-base-turkish-cased微调的土耳其语文本编码器，用于与CLIP的ViT-B/32图像编码器配合使用