这是一个基于Google ViT-base模型微调的房屋状况分类器，能够将房屋图像分为良好、未知、破败和中等四个类别。模型在935张房屋图像数据集上训练，验证集准确率达到81.2%。

计算机视觉Transformers英语

这是Qwen3-Omni 31.7B参数模型的专业量化版本，采用先进的INT8+FP16混合精度量化技术，内存使用减少50%以上，支持智能GPU/CPU混合推理，让大型多模态模型能够在消费级硬件上高效运行。

多模态Safetensors支持多种语言

这是一个基于DINOv3框架的视觉Transformer模型，通过知识蒸馏技术从DINOv3 ViT-7B模型在LVD-1689M数据集上训练得到。该模型专门用于图像特征编码，能够高效提取图像特征表示，适用于各种计算机视觉任务。

计算机视觉Timm

这是一个基于DINOv3架构的视觉Transformer模型，采用小型(Small)配置，在LVD-1689M数据集上通过知识蒸馏训练而成。该模型专门用于高效提取图像特征，支持图像分类、特征图提取和图像嵌入等多种计算机视觉任务。

计算机视觉Timm

这是一个基于DINOv3架构的Vision Transformer图像特征编码器，通过从7B参数的DINOv3 ViT模型在LVD-1689M数据集上进行知识蒸馏得到。该模型专门用于图像特征提取任务，具有强大的视觉表示能力。

计算机视觉Timm

MiMo-VL是一款紧凑且强大的视觉语言模型，结合了原生分辨率ViT编码器、MLP投影器和MiMo-7B语言模型，在多模态推理等任务中表现出色。该模型在多个基准测试中表现优异，具备思维控制功能，用户体验显著提升。

多模态Transformers

MiMo-VL是一款紧凑且强大的视觉语言模型，结合了原生分辨率ViT编码器、MLP投影仪和专为复杂推理任务优化的MiMo-7B语言模型。通过多阶段预训练和后训练，在多个视觉语言任务中取得了优异的成绩。

多模态Transformers

这是一个基于Bolya等人的PE-Core模型的ViT-L14图像编码器，已转换为Birder格式用于图像特征提取。该模型保留了原始权重和架构，但移除了CLIP投影层以输出原始图像嵌入，是一个通用的视觉骨干网络，适用于图像分类和检测任务。

计算机视觉Pytorch

这是一个基于Facebook MMS项目的超轻量级印地语语音合成模型，采用VITS架构，能够将印地语文本转换为高质量、自然流畅的语音输出。模型专为印地语优化，具有高效的推理性能。

音频处理Transformers其他

采用RoPE的ViT图像分类模型，经过CAPI预训练和ImageNet-21K微调，适用于图像分类和检测任务。

计算机视觉Pytorch

这是一个针对迪维希语语音合成进行微调的VITS模型，能够将塔那字母书写的迪维希语文本转换为高质量的女性语音音频。基于Meta的MMS-TTS架构，使用精心策划的合成迪维希语语音数据集进行训练。

音频处理Transformers其他

基于掩码图像建模(MIM)预训练的ViT reg4图像编码器，适用于通用特征提取或下游视觉任务

计算机视觉Pytorch

为班巴拉语开发的文本转语音合成模型，基于VITS架构和Facebook MMS基础模型

音频处理Transformers其他

基于google/vit-base-patch16-224-in21k在beans数据集上微调的视觉Transformer模型，用于图像分类任务

计算机视觉Transformers

这是一个经过微调的视觉变换器模型，专门用于对12种皮肤病变进行分类。模型基于预训练的ViT架构，在约70k张皮肤病变图像上进行了微调，能够准确识别包括黑色素瘤、基底细胞癌等多种皮肤疾病。

计算机视觉Safetensors

这是一个托管在Hugging Face Hub上的transformers模型，具体功能未明确说明。

自然语言处理Transformers

PHOENIX是一个基于CLIP/ViT的领域自适应模型，旨在提升专利图像检索能力，特别适用于检索语义或层次相关的图像而不仅仅是精确匹配。

计算机视觉Safetensors

这是一个基于视觉变换器的模型，用于将面部皮肤类型分类为5个类别。

计算机视觉Transformers英语

基于Google Vision Transformer (ViT)微调的宠物品种分类模型，在Oxford-IIIT宠物数据集上达到94.45%准确率

计算机视觉Transformers

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

计算机视觉Pytorch