Model details
模型介绍
中文整理TIPSv2 — L/14
Model use case
TIPSv2（Text-Image Pre-training with Spatial awareness）是一个对比学习视觉-语言模型系列，能够生成与文本嵌入对齐的空间信息丰富的图像特征。这是 Large 变体，包含 303M 视觉参数和 184M 文本参数。
主要能力
生成与文本嵌入对齐的空间信息丰富的图像特征；支持零样本分割和零样本分类。
输入输出
图像输入：需转换为 [0, 1] 范围的张量（使用 ToTensor()，无需 ImageNet 归一化），可调整至任意分辨率。文本输入：SentencePiece 分词器，小写处理，最多 64 个词元。
运行要求
需要 GPU 进行推理。
基本用法
加载模型；编码图像；编码文本；零样本分类；可视化空间特征。
模型架构
视觉编码器：ViT（24 层）；文本编码器：Transformer（12 层）；Patch 大小：14x14 像素。
License
Apache 2.0
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
Problem with the information or download?
Sign in to submit feedback.
