CLIP पर आधारित चीनी क्रॉस-मोडल पुनर्प्राप्ति और प्रतिनिधित्व जनरेशन।
खोज और वर्गीकरण के लिए चीनी क्रॉस-मोडल मॉडल को प्रशिक्षित करें, फाइन-ट्यून करें और तैनात करें।
Chinese-CLIP लगभग 200 million छवि-पाठ युग्मों पर प्रशिक्षित CLIP मॉडल का एक चीनी संस्करण है। यह आपको विशेष रूप से चीनी पाठ और दृश्य सामग्री के लिए क्रॉस-मोडल पुनर्प्राप्ति, ज़ीरो-शॉट छवि वर्गीकरण और फ़ीचर निष्कर्षण करने में सक्षम बनाता है।
यह टूलकिट चीनी डेटा के लिए अनुकूलित API, प्रशिक्षण कोड और परीक्षण स्क्रिप्ट प्रदान करता है, जिसमें PyTorch, Hugging Face transformers, ModelScope, ONNX और TensorRT डिप्लॉयमेंट का समर्थन शामिल है। इसमें ResNet50 से ViT-H-14 तक के विभिन्न मॉडल स्केल शामिल हैं, साथ ही FlashAttention, ग्रेडिएंट एक्यूमुलेशन और FLIP जैसी रणनीतियाँ हैं।
यह AI इंजीनियरों और वीडियो प्रोडक्शन पेशेवरों के लिए उपयुक्त है जो चीनी भाषा की मीडिया पुनर्प्राप्ति, स्वचालित टैगिंग या ज़ीरो-शॉट वर्गीकरण प्रणाली बना रहे हैं। यह उन लोगों के लिए उपयुक्त नहीं है जो विशेष रूप से अंग्रेजी भाषा के मॉडल के साथ काम कर रहे हैं या जिनके पास GPU हार्डवेयर नहीं है।
कस्टम चीनी क्वेरी का उपयोग करके टेक्स्ट-टू-इमेज और इमेज-टू-टेक्स्ट खोज करें।
कस्टम चीनी लेबल संकेतों का उपयोग करके कार्य-विशिष्ट प्रशिक्षण डेटा के बिना छवियों को वर्गीकृत करें।
RN50, ViT-B/16, ViT-L/14, और ViT-H/14 सहित पूर्व-प्रशिक्षित आर्किटेक्चर में से चुनें।
उत्पादन में तेज़ी से अनुमान लगाने के लिए मॉडल को ONNX, TensorRT, या CoreML में निर्यात करें।
इसके MIT लाइसेंस के तहत मुफ़्त, README में कोई सशुल्क होस्टेड विकल्प नहीं बताया गया है। एकमात्र लागत हार्डवेयर और बुनियादी ढांचा स्वयं चलाना है।
880 खुले रिमोट AI-ट्रेनिंग रोल, 15 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$175 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।
ये समीक्षित AI टूल यही काम तुरंत करते हैं — हमारी स्कोर की गई डायरेक्टरी से।
आपको PyTorch और torchvision का समर्थन करने वाले CUDA-संगत GPU वाली मशीन की आवश्यकता है।
हाँ, रिपॉजिटरी ONNX, TensorRT, और CoreML का उपयोग करके मॉडल को तैनात करने के लिए स्क्रिप्ट और दस्तावेज़ प्रदान करती है।
Google में Zekai को सबसे पहले देखें