Recuperación transmodal y generación de representaciones en chino basadas en CLIP.
Entrena, ajusta y despliega modelos transmodales en chino para búsqueda y clasificación.
Chinese-CLIP es una versión en chino del modelo CLIP entrenada con aproximadamente 200 millones de pares de imagen y texto. Te permite realizar recuperación transmodal, clasificación de imágenes zero-shot y extracción de características específicamente para texto en chino y contenido visual.
El kit de herramientas ofrece APIs, código de entrenamiento y scripts de prueba optimizados para datos en chino, incluyendo soporte para despliegue con PyTorch, Hugging Face transformers, ModelScope, ONNX y TensorRT. Cuenta con varias escalas de modelo que van desde ResNet50 hasta ViT-H-14, junto con estrategias como FlashAttention, acumulación de gradientes y FLIP.
Es adecuado para ingenieros de IA y profesionales de producción de vídeo que construyen sistemas de recuperación de contenido multimedia en lengua china, etiquetado automatizado o clasificación zero-shot. No es adecuado para quienes trabajan exclusivamente con modelos en inglés o carecen de hardware de GPU.
Realiza búsquedas de texto a imagen y de imagen a texto utilizando consultas personalizadas en chino.
Clasifica imágenes sin datos de entrenamiento específicos de la tarea utilizando prompts de etiquetas personalizadas en chino.
Elige entre arquitecturas preentrenadas que incluyen RN50, ViT-B/16, ViT-L/14 y ViT-H/14.
Exporta modelos a ONNX, TensorRT o CoreML para una inferencia más rápida en producción.
Gratuito bajo su licencia MIT, sin opciones alojadas de pago mencionadas en el README. El único coste es ejecutar el hardware y la infraestructura por tu cuenta.
879 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$175 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Estas herramientas de IA evaluadas hacen el mismo trabajo al instante — de nuestro directorio puntuado.
Necesitas una máquina con una GPU compatible con CUDA que admita PyTorch y torchvision.
Sí, el repositorio proporciona scripts y documentación para desplegar modelos utilizando ONNX, TensorRT y CoreML.
Ve Zekai primero en Google