模型详情
模型介绍
中文整理# TIPS 模型卡片
模型概述
TIPS（Text-Image Pre-training with Spatial awareness，ICLR 2025）是一个对比学习视觉语言模型家族，能够产生与文本嵌入对齐的空间丰富图像特征。
## 规格参数
- 视觉参数：1.1B
- 文本参数：389M
- 嵌入维度：1536
- 分辨率：224
## 主要能力
- 生成空间丰富的图像特征
- 与文本嵌入对齐
- 支持零样本分类
- 支持空间特征可视化
## 输入输出
- *图像输入**：张量，数值范围[0,1]，仅需ToTensor()转换，无需ImageNet归一化
- *文本输入**：SentencePiece分词器处理，小写，最多64个tokens
- *输出**：图像特征（第二个CLS token与文本编码器对齐）、文本嵌入
运行要求
- 视觉编码器：ViT-g/14 low-res（40层，patch size 14，两个CLS tokens）
- 文本编码器：12层transformer
- 原生分辨率224；其他patch倍数分辨率可通过位置嵌入插值实现
基本用法
加载模型后，图像需转换为[0,1]范围的张量。第二个CLS token（out.register_tokens）基于合成caption训练，第一个CLS token（out.cls_token）基于网页alt-text训练，应使用第二个token与文本编码器对齐进行特征提取。
许可证
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。
资料或下载有问题？
登录后可提交反馈。
