返回全部动态
Google DeepMind 发布 TIPSv2-L14 视觉语言模型
原标题：google/tipsv2-l14
AI 摘要
Google DeepMind 发布了 TIPSv2 系列视觉语言模型，其中 L/14 变体拥有 303M 视觉参数和 184M 文本参数，通过对比学习生成空间丰富的图像特征，支持零样本分类和分割。该模型基于 ViT 架构，采用 Apache 2.0 许可证，并提供了 Hugging Face 集成代码示例。
以上摘要由 AI 生成，可能存在误差。事实请以原文为准。
正文节选
--- license: apache-2.0 tags: - vision - image-text - contrastive-learning - zero-shot - feature-extraction - arxiv:2604.12012 library_name: transformers pipeline_tag: zero-shot-image-classification --- # TIPSv2 — L/14 TIPSv2 (Text-Image Pre-training with Spatial awareness) is a family of contrastive vision-language models that produce spatially rich image features aligned with text embeddings. This is the Large variant with 303M vision params and 184M text params. Try the code snippets below
发布时间：2026-08-18 00:43
抓取时间：2026-08-18 00:48
来源机构：Hugging Face