模型介绍
中文整理EVA-CLIP-18B 模型卡片
模型用途
EVA-CLIP-18B是一个对比语言-图像预训练（CLIP）模型，可用于零样本图像分类、零样本视频分类和图文检索等视觉与多模态任务。
主要能力
该模型拥有180亿参数，是目前规模最大、性能最强的开源CLIP模型。在仅使用60亿训练样本的情况下，EVA-CLIP-18B在27个广泛使用的图像分类基准测试中实现了80.7%的零样本Top-1准确率。同时，该模型在视频分类和检索任务上也表现出色，零样本视频分类准确率为75.0%，检索平均召回率达87.8%。研究还表明，随着模型规模增大，性能持续提升，呈现出良好的Scaling特性。
输入输出
输入为图像和文本对，输出为图像和文本的特征向量表示，可用于零样本分类或跨模态检索。
运行要求
训练时使用360块A100（40GB）GPU，训练批量大小为108K。推理时如CPU内存有限，可使用DeepSpeed ZeRO-3优化技术来减少内存占用。
基本用法
模型权重可通过Hugging Face或GitHub获取，使用PyTorch框架加载。具体使用方法请参考官方GitHub仓库。
限制
论文中报告的所有结果均基于PyTorch权重评估。使用Hugging Face版本时，性能可能存在差异。
许可证
模型权重已公开发布，供研究使用。
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
运行模型需要的设备、工具与依赖，以原作者说明为准。
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。
资料或下载有问题？
登录后可提交反馈。