AIbase

多模态特征提取
Openvision Vit Base Patch16 384
Apache-2.0
OpenVision是一个完全开放、经济高效的高级视觉编码器家族，专注于多模态学习中的图像特征提取。
多模态融合
O
UCSC-VLAA
43
2
Moonvit SO 400M
MIT
MoonViT是一款原生分辨率的视觉编码器，基于SigLIP-SO-400M进行初始化和持续预训练，适用于图像特征提取任务。
图像增强
Transformers
M
moonshotai
275
12
Mlcd Vit Bigg Patch14 448
MIT
MLCD-ViT-bigG是一款采用二维旋转位置编码(RoPE2D)增强的先进视觉Transformer模型，在文档理解和视觉问答任务中表现卓越。
文字识别
M
DeepGlint-AI
1,517
3
Vit Large Patch14 Clip 224.dfn2b
其他
基于CLIP架构的视觉变换器模型，专注于图像特征提取，由苹果公司发布。
图像分类
Transformers
V
timm
178
0
Internvit 300M 448px V2 5
MIT
InternViT-300M-448px-V2_5是基于InternViT-300M-448px的重大升级版本，通过ViT增量学习和NTP损失提升了视觉特征提取能力，特别擅长处理多语言OCR数据和数学图表等复杂场景。
文本生成图像
I
OpenGVLab
23.29k
33
Internvit 6B 448px V1 0
MIT
InternViT-6B-448px-V1-0是一个视觉基础模型，专注于图像特征提取，支持448x448分辨率，增强了OCR能力和中文对话支持。
文本生成图像
Transformers
I
OpenGVLab
24
10
Coin Clip Vit Base Patch32
Apache-2.0
基于CLIP微调的硬币图像检索模型，增强对硬币图像的特征提取能力
图像生成文本
Transformers
C
breezedeus
886
4
Eva02 Large Patch14 224.mim M38m
MIT
EVA02特征/表示模型，通过掩码图像建模在Merged-38M数据集上预训练，适用于图像分类和特征提取任务。
图像分类
Transformers
E
timm
571
0
Taiyi CLIP RoBERTa 326M ViT H Chinese
Apache-2.0
首个开源的中文CLIP模型，基于1.23亿图文对进行预训练，文本编码器采用RoBERTa-large架构。
文本生成图像
Transformers
中文
T
IDEA-CCNL
108
10
Taiyi CLIP Roberta Large 326M Chinese
Apache-2.0
首个开源的中文CLIP模型，基于1.23亿图文对预训练，支持中文图文特征提取和零样本分类
文本生成图像
Transformers
中文
T
IDEA-CCNL
10.37k
39
Taiyi CLIP Roberta 102M Chinese
Apache-2.0
首个开源的中文CLIP模型，基于1.23亿图文对进行预训练，文本编码器采用RoBERTa-base架构。
文本生成图像
Transformers
中文
T
IDEA-CCNL
558
51