AIbase

跨模态对齐
Openvision Vit Huge Patch14 224
Apache-2.0
OpenVision是一个全开放、高性价比的先进视觉编码器家族，专注于多模态学习。
多模态融合
O
UCSC-VLAA
27
2
Openvision Vit Base Patch8 384
Apache-2.0
OpenVision是一个完全开源且经济高效的先进视觉编码器家族，专为多模态学习设计。
多模态融合
Transformers
O
UCSC-VLAA
47
0
Unime Phi3.5 V 4.2B
MIT
UniME 是一个基于多模态大模型的通用嵌入学习模型，专注于打破模态壁垒，实现跨模态检索和嵌入学习。
多模态对齐
Transformers
英语
U
DeepGlint-AI
54
4
Resnet50x4 Clip Gap.openai
Apache-2.0
基于CLIP框架的ResNet50x4变体模型，专为图像特征提取设计
图像分类
Transformers
R
timm
170
0
Resnet50 Clip Gap.cc12m
Apache-2.0
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
图像分类
Transformers
R
timm
19
0
Vit So400m Patch16 Siglip 256.webli I18n
Apache-2.0
基于SigLIP的视觉Transformer模型，专注于图像特征提取，采用原始注意力池化机制。
图像分类
Transformers
V
timm
15
0
Vit Large Patch14 Clip 224.datacompxl
Apache-2.0
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。
图像分类
Transformers
V
timm
14
0
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
图像分类
V
timm
171
1
Mast3r ViTLarge BaseDecoder 512 Catmlpdpt Metric
MASt3R是一个基于ViT架构的图像转3D模型，能够实现图像与3D空间的匹配
3D视觉
M
naver
116.60k
15
Vitamin XL 384px
MIT
ViTamin-XL-384px 是一个基于 ViTamin 架构的大规模视觉语言模型，专为视觉语言任务设计，支持高分辨率图像处理和多模态特征提取。
图像生成文本
Transformers
V
jienengchen
104
20
Mblip Bloomz 7b
MIT
mBLIP是一个多语言视觉-语言模型，基于BLIP-2架构，支持96种语言的图像描述生成和视觉问答任务。
图像生成文本
Transformers
支持多种语言
M
Gregor
21
1
Mblip Mt0 Xl
MIT
mBLIP是一个多语言视觉-语言模型，基于BLIP-2架构，支持96种语言的图像描述生成和视觉问答任务。
图像生成文本
Transformers
支持多种语言
M
Gregor
374
14
Blip2 Image To Text
MIT
BLIP-2是一种视觉语言预训练模型，通过冻结图像编码器和大型语言模型实现语言-图像预训练引导。
图像生成文本
Transformers
英语
B
paragon-AI
343
27