模型介绍
中文整理TIPSv2 — B/14
模型用途
TIPSv2（Text-Image Pre-training with Spatial awareness）是对比型视觉语言模型系列，能够产生与文本嵌入对齐的空间丰富图像特征。该模型为Base变体，包含8600万视觉参数和1.1亿文本参数。
主要能力
对比学习训练得到的视觉语言对齐能力；零样本分割能力；空间感知特征提取。
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：使用SentencePiece分词器，小写处理，最多支持64个token。输出：图像特征向量（维度768）和文本嵌入。
运行要求
支持GPU推理。
基本用法
加载模型后，可对图像进行编码得到视觉特征，对文本进行编码得到文本嵌入。可执行零样本分类任务，也可可视化空间特征用于分割任务。
架构详情
视觉编码器采用ViT架构（12层），文本编码器采用Transformer架构（12层）。图像预处理为调整至任意分辨率并转换为[0,1]范围。文本预处理使用SentencePiece分词器。补丁大小为14x14像素。
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。