多模态预训练模型_开源模型_AIbase模型库

多模态预训练

Style 250412.vit Base Patch16 Siglip 384.v2 Webli

基于Vision Transformer架构的视觉模型，采用SigLIP（Sigmoid Loss for Language-Image Pretraining）训练方法，适用于图像理解任务。

Comp SigLIP So400M

CoMP-MM-1B是一个支持原生图像分辨率输入的视觉基础模型（VFM），基于SigLIP持续预训练而成。

多模态融合

YOLOE是一个实时视觉全能模型，支持零样本目标检测等多种视觉任务。

YOLOE是一个实时视觉全能模型，结合了目标检测和视觉理解能力，适用于多种视觉任务。

YOLOE 是一个零样本目标检测模型，能够实时检测视觉场景中的各种物体。

Aimv2 Large Patch14 448.apple Pt

AIM-v2是一个基于timm库的图像特征提取模型，采用大尺寸补丁设计，适用于高分辨率图像处理。

Aimv2 Huge Patch14 224.apple Pt

AIM-v2是一个高效的图像编码器，基于timm库实现，适用于图像特征提取任务。

Aimv2 3b Patch14 448.apple Pt

AIM-v2是一个基于timm库的图像编码器模型，具有3B参数规模，适用于图像特征提取任务。

Aimv2 3b Patch14 336.apple Pt

AIM-v2是一个基于timm库的图像编码器模型，适用于图像特征提取任务。

Aimv2 3b Patch14 224.apple Pt

AIM-v2是一个高效的图像编码器模型，兼容timm框架，适用于计算机视觉任务。

Aimv2 1b Patch14 336.apple Pt

AIM-v2是由苹果公司开发的图像编码器模型，基于timm库兼容的架构，适用于图像特征提取任务。

Resnet101 Clip Gap.openai

基于CLIP框架的ResNet101图像编码器，通过全局平均池化(GAP)提取图像特征

Resnet50x4 Clip Gap.openai

基于CLIP框架的ResNet50x4变体模型，专为图像特征提取设计

Resnet50 Clip Gap.openai

基于CLIP模型视觉编码器部分的ResNet50变体，通过全局平均池化(GAP)提取图像特征

Resnet50 Clip Gap.cc12m

基于ResNet50架构的CLIP风格图像编码器，使用CC12M数据集训练，通过全局平均池化(GAP)提取特征

Vit Huge Patch14 Clip Quickgelu 378.dfn5b

基于CLIP架构的ViT-Huge图像编码器，使用DFN5B数据集训练，支持快速GELU激活

Vit Huge Patch14 Clip 378.dfn5b

DFN5B-CLIP的视觉编码器部分，基于ViT-Huge架构，使用378x378分辨率图像训练的CLIP模型

Vit Base Patch16 Clip 224.dfn2b

基于CLIP架构的视觉Transformer模型，由苹果公司发布的DFN2B-CLIP图像编码器权重

Vit So400m Patch14 Siglip Gap 896.pali Pt

基于SigLIP图像编码器的视觉模型，采用全局平均池化，是PaliGemma项目的一部分

文本生成图像

Vit So400m Patch14 Siglip Gap 896.pali2 10b Pt

基于SigLIP图像编码器的视觉模型，带全局平均池化，是PaliGemma2模型的一部分

文本生成图像

Vit So400m Patch14 Siglip Gap 896.pali2 3b Pt

基于SigLIP图像编码器的视觉模型，采用全局平均池化，是PaliGemma2项目的一部分

文本生成图像

Vit So400m Patch14 Siglip Gap 448.pali Mix

基于SigLIP图像编码器的视觉语言模型，采用全局平均池化处理，适用于多模态任务。

文本生成图像

Vit So400m Patch14 Siglip 378.webli

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

Vit Large Patch16 Siglip Gap 384.webli

基于SigLIP的视觉Transformer模型，采用全局平均池化，适用于图像特征提取任务。

Vit Base Patch16 Siglip 384.webli

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

Vit Base Patch16 Siglip 256.webli

基于SigLIP的ViT-B-16图像编码器模型，采用原始注意力池化，适用于图像特征提取任务。

Vit Base Patch16 Siglip Gap 224.webli

基于SigLIP的视觉Transformer模型，仅包含图像编码器部分，采用全局平均池化策略

Vit Base Patch16 Siglip 224.webli

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

Vit Large Patch14 Clip 224.laion2b

基于CLIP架构的视觉Transformer模型，专注于图像特征提取

Vit Large Patch14 Clip 224.datacompxl

基于CLIP架构的视觉Transformer模型，专门用于图像特征提取，由LAION组织发布。

Vit Huge Patch14 Clip 224.laion2b

基于CLIP框架的ViT-Huge视觉编码器，使用laion2B数据集训练，支持图像特征提取

Vit Base Patch32 Clip 256.datacompxl

基于CLIP架构的视觉Transformer模型，专注于图像特征提取，支持256x256分辨率输入

Vit Base Patch32 Clip 224.laion2b

基于CLIP架构的视觉Transformer模型，专为图像特征提取设计，使用laion2B数据集训练

Vit Base Patch32 Clip 224.datacompxl

基于CLIP架构的视觉Transformer模型，专为图像特征提取设计，使用DataComp XL数据集训练

Vit Base Patch16 Clip 224.datacompxl

基于CLIP架构的视觉Transformer模型，专门用于图像特征提取，采用ViT-B/16结构并在DataComp XL数据集上训练

Convnext Xxlarge.clip Laion2b Soup

基于CLIP框架的ConvNeXt-XXLarge图像编码器，由LAION训练，适用于多模态任务

Convnext Base.clip Laiona

基于CLIP框架的ConvNeXt Base模型，使用LAION-Aesthetic数据集训练，适用于图像特征提取任务。

Convnext Base.clip Laion2b Augreg

基于CLIP框架的ConvNeXt Base图像编码器，使用LAION-2B数据集训练，支持图像特征提取

Convnext Base.clip Laion2b

基于ConvNeXt架构的CLIP图像编码器，由LAION组织训练，适用于多模态视觉-语言任务

Vit Huge Patch14 Clip 224.metaclip Altogether

基于ViT-Huge架构的CLIP模型，支持零样本图像分类任务

精选推荐AI模型

Llama 3 Typhoon V1.5x 8b Instruct

专为泰语设计的80亿参数指令模型，性能媲美GPT-3.5-turbo，优化了应用场景、检索增强生成、受限生成和推理任务

大型语言模型

支持多种语言

Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型，专为边缘设备推理设计，体积仅为Cosmo-3B模型的2%左右。

Roberta Base Chinese Extractive Qa

基于RoBERTa架构的中文抽取式问答模型，适用于从给定文本中提取答案的任务。

AIbase

AIbase是一个专注于MCP服务的平台，为AI开发者提供高质量的模型上下文协议服务，助力AI应用开发。

简体中文

热门模型

Llama 3 Typhoon V1.5x 8b Instruct

Roberta Base Chinese Extractive Qa

热门模型分类

大型语言模型

热门标签

多语言支持

低资源优化

低词错误率

基于Transformer

SentencePiece预处理

© 2025AIbase 备案号：闽ICP备08105208号-24