#202 · 主分类： 计算机视觉
UForm
bert
clip
clustering
contrastive-learning
cross-attention
huggingface-transformers
image-search
language-vision
llava
multi-lingual
multimodal
neural-network
openai
openclip
pretrained-models
pytorch
representation-learning
semantic-search
transformer
vector-search
袖珍型多模态AI，用于跨多语言文本、图像和🔜视频的内容理解与生成，速度比OpenAI CLIP和LLaVA快多达5倍 🖼️ & 🖋️
项目最后更新：10/30/25
GitHub Stars
1.2K
Forks数量
78
贡献者数量
24
许可证
Apache-2.0
收录理由
做多模态检索时，常常要在模型体积和效果之间做取舍，UForm 试图绕开这个难题。它的编码器模型能生成 64 到 768 维的 Matryoshka 式向量，支持短文本和图片，视频也已在规划中，这让向量搜索在普通硬件上也能跑得又快又省。配套的 10 亿参数对话模型擅长看图写描述和回答视觉问题，想给应用加个轻量的图像助手，不必再部署庞大的 LLaVA 服务。更省心的是，同一套模型可以直接导出成 ONNX 和 CoreML，从服务器换到手机端也不用重写代码。对需要做视觉目录或跨语言商品检索的团队来说，这是比常见 CLIP 模型更实用的选择。
相关文章
暂无针对该项目的文章。
如需补充新闻资讯、使用教程、应用测评等内容，欢迎 联系我们推荐选题或投稿。