模型介绍
中文整理EVA-CLIP-18B 模型卡片
模型名称与规模
EVA-CLIP-18B，180亿参数，是目前规模最大、性能最强的开源CLIP模型。
模型用途
用于图像-文本对比学习预训练，可支持零样本图像分类、视频分类和检索等视觉与多模态任务。
主要能力
在27个广泛使用的图像分类基准测试中，EVA-CLIP-18B实现80.7%的零样本top-1准确率。视频分类平均准确率75.0%，检索平均准确率87.8%。该模型在仅使用20亿图像-文本对训练样本的情况下，性能超越使用更大规模内部数据集的其他CLIP模型。
输入输出
输入为图像和文本配对数据，输出为图像和文本的特征向量表示，用于对比学习任务。
运行要求
训练使用360块A100（40GB）GPU，批量大小108K。推理需要支持大规模模型加载的硬件配置。建议使用DeepSpeed的zero stage 3减少CPU内存占用。
基本用法
模型权重已公开可用，可通过Hugging Face或GitHub获取。使用DeepSpeed时，推荐调用eva_clip/factory.py中的load_zero_partitions()函数加载预训练检查点。
限制
论文中所有结果基于PyTorch权重评估。使用Hugging Face版本时，性能可能与PyTorch版本存在差异。
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。