這是一個基於Google ViT-base模型微調的房屋狀況分類器，能夠將房屋圖像分為良好、未知、破敗和中等四個類別。模型在935張房屋圖像數據集上訓練，驗證集準確率達到81.2%。

計算機視覺Transformers英語

這是Qwen3-Omni 31.7B參數模型的專業量化版本，採用先進的INT8+FP16混合精度量化技術，內存使用減少50%以上，支持智能GPU/CPU混合推理，讓大型多模態模型能夠在消費級硬件上高效運行。

多模態Safetensors多語言

這是一個基於DINOv3框架的視覺Transformer模型，通過知識蒸餾技術從DINOv3 ViT-7B模型在LVD-1689M數據集上訓練得到。該模型專門用於圖像特徵編碼，能夠高效提取圖像特徵表示，適用於各種計算機視覺任務。

計算機視覺Timm

這是一個基於DINOv3架構的視覺Transformer模型，採用小型(Small)配置，在LVD-1689M數據集上通過知識蒸餾訓練而成。該模型專門用於高效提取圖像特徵，支持圖像分類、特徵圖提取和圖像嵌入等多種計算機視覺任務。

計算機視覺Timm

這是一個基於DINOv3架構的Vision Transformer圖像特徵編碼器，通過從7B參數的DINOv3 ViT模型在LVD-1689M數據集上進行知識蒸餾得到。該模型專門用於圖像特徵提取任務，具有強大的視覺表示能力。

計算機視覺Timm

MiMo-VL是一款緊湊且強大的視覺語言模型，結合了原生分辨率ViT編碼器、MLP投影器和MiMo-7B語言模型，在多模態推理等任務中表現出色。該模型在多個基準測試中表現優異，具備思維控制功能，用戶體驗顯著提升。

多模態Transformers

MiMo-VL是一款緊湊且強大的視覺語言模型，結合了原生分辨率ViT編碼器、MLP投影儀和專為複雜推理任務優化的MiMo-7B語言模型。通過多階段預訓練和後訓練，在多個視覺語言任務中取得了優異的成績。

多模態Transformers

這是一個基於Bolya等人的PE-Core模型的ViT-L14圖像編碼器，已轉換為Birder格式用於圖像特徵提取。該模型保留了原始權重和架構，但移除了CLIP投影層以輸出原始圖像嵌入，是一個通用的視覺骨幹網絡，適用於圖像分類和檢測任務。

計算機視覺Pytorch

這是一個基於Facebook MMS項目的超輕量級印地語語音合成模型，採用VITS架構，能夠將印地語文本轉換為高質量、自然流暢的語音輸出。模型專為印地語優化，具有高效的推理性能。

音頻處理Transformers其他

採用RoPE的ViT圖像分類模型，經過CAPI預訓練和ImageNet-21K微調，適用於圖像分類和檢測任務。

計算機視覺Pytorch

這是一個針對迪維希語語音合成進行微調的VITS模型，能夠將塔那字母書寫的迪維希語文本轉換為高質量的女性語音音頻。基於Meta的MMS-TTS架構，使用精心策劃的合成迪維希語語音數據集進行訓練。

音頻處理Transformers其他

基於掩碼圖像建模(MIM)預訓練的ViT reg4圖像編碼器，適用於通用特徵提取或下游視覺任務

計算機視覺Pytorch

為班巴拉語開發的文本轉語音合成模型，基於VITS架構和Facebook MMS基礎模型

音頻處理Transformers其他

基於google/vit-base-patch16-224-in21k在beans數據集上微調的視覺Transformer模型，用於圖像分類任務

計算機視覺Transformers

這是一個經過微調的視覺變換器模型，專門用於對12種皮膚病變進行分類。模型基於預訓練的ViT架構，在約70k張皮膚病變圖像上進行了微調，能夠準確識別包括黑色素瘤、基底細胞癌等多種皮膚疾病。

計算機視覺Safetensors

這是一個託管在Hugging Face Hub上的transformers模型，具體功能未明確說明。

自然語言處理Transformers

PHOENIX是一個基於CLIP/ViT的領域自適應模型，旨在提升專利圖像檢索能力，特別適用於檢索語義或層次相關的圖像而不僅僅是精確匹配。

計算機視覺Safetensors

這是一個基於視覺變換器的模型，用於將面部皮膚類型分類為5個類別。

計算機視覺Transformers英語

基於Google Vision Transformer (ViT)微調的寵物品種分類模型，在Oxford-IIIT寵物數據集上達到94.45%準確率

計算機視覺Transformers

該論文提出了一種將Vision Transformer (ViT) 重新解釋為圖像分割模型的方法，展示了ViT在圖像分割任務中的潛力。

計算機視覺Pytorch