模型介绍
中文整理TIPS-B/14 模型卡片
模型用途
TIPS（Text-Image Pre-training with Spatial awareness，ICLR 2025）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丰富图像特征。
主要能力
产生空间丰富的图像特征，与文本嵌入对齐，支持零样本分类和空间特征可视化。
输入输出
输入：图像张量（数值范围[0,1]，仅需ToTensor()转换，无需ImageNet归一化）和文本。
输出：图像特征和文本嵌入。
运行要求
视觉编码器：ViT-B/14（12层，patch大小14，两个CLS token）
文本编码器：12层transformer
原生分辨率：448，其他patch倍数分辨率可通过位置嵌入插值实现
预处理：图像转为[0,1]，无需归一化；使用SentencePiece分词器，小写处理，最多64个token
基本用法
加载模型后，可对图像和文本分别进行编码。图像编码时使用第一个CLS token（out.cls token），该token训练于网页alt-text，与文本塔对齐；第二个CLS token（out.register tokens）训练于合成caption。支持零样本分类和空间特征可视化。
限制
第一个CLS token是与文本塔对齐的推荐使用token。
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。