AIbase

大规模视觉语言模型
Vit So400m Patch14 Siglip Gap 896.pali2 3b Pt
Apache-2.0
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
Transformers
V
timm
14
1
CLIP Convnext Xxlarge Laion2b S34b B82k Augreg
MIT
基于LAION-2B数据集训练的CLIP ConvNeXt-XXLarge模型，采用OpenCLIP框架实现，是首个非ViT架构达到>79% ImageNet零样本准确率的CLIP模型
文本生成图像
C
laion
6,616
9
CLIP Convnext Xxlarge Laion2b S34b B82k Augreg Rewind
MIT
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。
文本生成图像
C
laion
63
2
CLIP Convnext Xxlarge Laion2b S34b B82k Augreg Soup
MIT
基于LAION-2B数据集训练的CLIP ConvNeXt-XXLarge模型，采用OpenCLIP框架训练，是首个非ViT图像塔CLIP模型实现>79% ImageNet top-1零样本准确率
文本生成图像
C
laion
9,412
22