siglip2-x256-explicit-content 是一款视觉 - 语言编码器模型，由 siglip2-base-patch16-256 微调而来，用于多类别图像分类任务。
Updated 2025-05-30 14:01:41 +08:00
Google DeepMind 发布的 Gemma3-4B 在计算效率、任务适应性和多模态能力之间取得了良好平衡，相较于 1B 版本，它提供了更强的文本理解能力，并新增了视觉模块支持，使其适用于更广泛的任务场景。同时，相较于 12B 和 27B 版本，4B 版本在推理效率和资源占用上具备显著优势，适合在云端和本地 GPU 设备上运行。
Updated 2025-03-24 11:15:03 +08:00
Qwen2-VL-7B-Instruct是一个视觉语言模型，支持高分辨率图像和20分钟以上视频的理解。它在多个视觉理解基准测试中表现出色，具备复杂推理和决策能力。该模型可集成到移动设备和机器人中，实现基于视觉环境和文本指令的自动操作。此外，Qwen2-VL-7B-Instruct支持多语言，能理解图像中的多种语言文本。
Updated 2025-03-14 14:26:52 +08:00
YOLOv8s 股市形态检测模型是一种基于 YOLO框架的目标检测模型。它旨在实时检测股市交易视频数据中的各种图表形态。该模型通过自动分析图表形态来辅助交易员和投资者，为他们做出明智的决策提供及时的见解。
Updated 2025-03-12 10:26:53 +08:00
VideoMAE 模型在 Kinetics-400 数据集上以自监督方式进行了 1600 轮预训练。该模型由 Tong 等人在论文 VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training 中提出。
Updated 2025-02-17 16:39:24 +08:00
2024年5月13日，零一万物发了Yi-1.5系列模型。Yi-1.5系列模型在一个包含5000亿个标记的高质量语料库上进行持续的预训练得到增强，并且还在300万个多样化的微调样本上进行了微调。
Updated 2025-02-10 10:53:38 +08:00
该模型是基于 google/vit-base-patch16 - 224 - in21k 模型，在 FER 2013、MMI 面部表情数据库以及 AffectNet 数据集上进行微调得到的版本。
Updated 2025-01-21 16:38:06 +08:00
采用 DINOv2 方法训练的视觉 Transformer（ViT）模型。
Updated 2025-01-21 16:00:20 +08:00
This model was trained to detect deepfake images.
Updated 2025-01-21 15:40:31 +08:00
Deformable DEtection TRansformer (DETR), trained on LVIS (including 1203 classes).
Updated 2025-01-21 15:07:53 +08:00
仅进行预训练的Donut模型。它由 Geewok 等人在论文 OCR-free Document Understanding Transformer中提出。
Updated 2025-01-21 14:11:27 +08:00