UniME是一个基于多模态大模型的通用嵌入学习框架，通过文本判别知识蒸馏和硬负样本增强的指令调优策略，显著提升了多模态嵌入能力。

20亿参数的自监督视觉Transformer模型，基于严格筛选的网络图像数据训练，特别优化图表和文本理解能力

UniME是一个基于多模态大模型的通用嵌入学习模型，采用336×336图像分辨率训练，在MMEB排行榜上位列第一。

感知编码器是通过简单视觉-语言学习训练的最先进的图像和视频理解编码器，在多种视觉任务上实现了最先进的性能。

基于Swin Transformer架构的UPerNet语义分割模型，适用于高精度图像分割任务

基于Swin Transformer小型架构的UPerNet语义分割模型，适用于ADE20K等场景解析任务

UPerNet是一个基于ConvNeXt-Tiny架构的语义分割模型，适用于图像分割任务。

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。

Meta开发的大规模视觉编码器模型，通过对比预训练和合成视频数据微调，在各类视觉任务中达到最先进性能

针对珊瑚礁语义分割任务优化的SegFormer模型，在1024x1024分辨率下对Coralscapes数据集进行微调

这是一个基于SegFormer架构的语义分割模型，专门针对珊瑚礁生态系统的图像分割任务进行了优化，在Coralscapes数据集上微调。

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。

EVA CLIP模型是基于OpenCLIP和timm模型权重的视觉语言模型，支持零样本图像分类等任务。

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

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

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。

基于Segformer架构的语义分割模型，针对Cityscapes数据集进行了优化

基于Segformer架构的轻量级语义分割模型，预训练于Cityscapes数据集

基于Segformer架构的语义分割模型，专门针对Cityscapes数据集进行优化

基于PyTorch的Segformer模型，用于语义分割任务，在ADE20K数据集上预训练

mPLUG-Owl3是一款先进的多模态大语言模型，专注于解决长图像序列理解问题，通过超注意力机制显著提升处理速度和序列长度支持。

该模型是基于openai/clip-vit-large-patch14-336微调的版本，主要用于图像-文本匹配任务。

基于BEiT架构的丹麦真菌分类模型，专门用于识别和分类真菌物种。

Idefics2 是一个开放的多模态模型，能够接受任意序列的图像和文本输入并生成文本输出。

LLaVA-JP是一个支持日语的多模态视觉语言模型，能够理解和生成关于输入图像的描述和对话。

InternViT-6B-448px-V1-5是基于InternViT-6B-448px-V1-2微调的视觉基础模型，具备强大的鲁棒性、OCR能力及高分辨率处理能力。

Idefics2 是 Hugging Face 开发的开源多模态模型，能够处理图像和文本输入并生成文本输出，在 OCR、文档理解和视觉推理方面表现优异。

ViTamin-XL-256px是基于ViTamin架构的视觉语言模型，专为高效视觉特征提取和多模态任务设计，支持高分辨率图像处理。

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。

基于SigLIP的视觉模型，通过插值位置嵌入提升最大分辨率至980x980，并实现NaViT策略支持可变分辨率和保持宽高比的图像处理

ChatTruth-7B是基于Qwen-VL架构优化的多语言视觉-语言模型，增强了大分辨率图像处理能力并引入还原模块降低计算开销

基于Stable Diffusion XL (SDXL)进行指令微调的图像编辑模型，采用InstructPix2Pix方法，支持通过自然语言指令编辑图像。

基于视觉Transformer（ViT）的图像特征模型，采用自监督DINOv2方法在LVD-142M数据集上预训练

基于Google Vision Transformer (ViT)架构的预训练模型，在EuroSat数据集上进行了微调，适用于遥感图像分类任务。

在1024x1024分辨率下对CityScapes数据集进行微调的SegFormer语义分割模型，采用分层Transformer编码器和轻量级全MLP解码头架构。

SegFormer是一个基于Transformer架构的语义分割模型，在ADE20k数据集上进行了微调，适用于图像分割任务。