模型介绍
中文整理TokLIP: 将视觉Token与CLIP结合用于多模态理解和生成
模型用途
TokLIP是一个视觉分词器，旨在通过语义化向量量化（VQ） tokens并融入CLIP级语义来增强多模态理解能力，同时支持使用标准VQ tokens进行端到端多模态自回归训练。
主要能力
TokLIP将低级别离散VQ分词器与基于ViT的token编码器集成，以捕捉高级连续语义。与以往方法（如VILA-U）将高级特征离散化不同，TokLIP解耦了理解和生成的任务目标，允许直接应用高级VQ分词器而无需定制的量化操作。
模型规格与性能
模型版本 分辨率 VQ分词器 COCO检索TR@1 COCO检索IR@1
TokLIP-S 256 LlamaGen 64.06 48.46
TokLIP-L 384 LlamaGen 68.00 52.87
TokLIP-XL 512 IBQ 69.40 53.77
输入输出
输入为图像，输出为离散visual tokens，可用于图像理解和生成任务。
运行要求
训练需要准备WebDataset，可选用CC3M、CC12M或LAION数据集。需使用src/convert.py准备教师模型。推理需下载对应的模型权重。
基本用法
使用src/create_toklip.py中的build_toklip_encoder函数加载模型，需要指定model、image_size和model_path参数。推理示例见src/inference.py。评估脚本包括ImageNet分类和MSCOCO检索的测试脚本。
限制
原文未明确说明模型的使用限制。
许可证
请参阅LICENSE文件获取详细信息。
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。