MODEL

CLIP

CLIP 是 OpenAI 发布的视觉语言模型，通过自然语言监督学习图像概念。模型将图像和文本映射到共享表示空间，可使用文本类别名称执行零样本图像分类。

发布日期：

2021-01-05

参数量：

未公开

架构：

双编码器对比学习架构，分别编码图像和文本，并在共享表示空间中对齐配对样本；图像编码器使用 ResNet 或 Vision Transformer。

输入输出：

文本 + 图像 → 文本

交互方式：

普通请求

开放方式：

开源