krthr/clip-embeddings
摘要
一个托管在 Replicate 上的基于 CLIP 的嵌入模型，使用 clip-vit-large-patch14 架构为图像和文本生成 768 维嵌入向量，每次运行费用约为 $0.00022。
krthr / clip-embeddings
查看缓存全文
缓存时间: 2026/05/09 06:25
# 在 Replicate 上使用 CLIP 进行图像和文本嵌入
来源：https://replicate.com/krthr/clip-embeddings
## 运行时间与费用
该模型在 Replicate 上每次运行费用约为 $0.00022，即每 $1 可运行 4545 次，但具体费用会因输入内容而有所不同。该模型同时也是开源的，你可以[使用 Docker 在自己的电脑上运行它](https://replicate.com/krthr/clip-embeddings/api)。
该模型运行在 [Nvidia T4 GPU 硬件](https://replicate.com/docs/billing)上。预测通常在 1 秒内完成。
## 说明
使用 CLIP 获取文本和图像嵌入向量。
### 详细信息
- 使用的模型：`clip-vit-large-patch14`
- 嵌入向量长度：`768`
### 响应格式
```
{
"embedding": [0.1, 0.2, ..., 0.5]
}
```
模型创建于 1 年前
相似文章
andreasjansson/clip-features
一个在Replicate上的模型，输出文本和图像的CLIP ViT-L/14特征，支持输入间的相似度计算。
beautyyuyanli/multilingual-e5-large
多语言 E5-large 嵌入模型现已上线 Replicate，单次运行约 0.00098 美元，在 Nvidia L40S 上约 1 秒完成。
CLIP：连接文本与图像
CLIP 是 OpenAI 的视觉语言模型，从互联网上的文本-图像对中学习，实现零样本视觉分类，无需任务特定的训练数据。它通过减少对昂贵标注数据集的依赖并提高现实世界泛化能力，解决了传统计算机视觉的主要局限性。
使用CLIP潜在表示的分层文本条件图像生成
OpenAI提出了一个使用CLIP潜在表示进行文本条件图像生成的分层两阶段模型：一个先验模型从文本标题生成CLIP图像嵌入，以及一个基于扩散的解码器从嵌入生成图像。该方法提高了图像多样性，并实现了零样本语言引导图像操作。
新的嵌入模型和 API 更新
OpenAI 发布了两个新的嵌入模型：text-embedding-3-small（比 ada-002 便宜 5 倍，MIRACL 性能提升 40% 以上）和 text-embedding-3-large（性能最佳，支持最多 3072 维度）。两个模型在标准基准上都展现出显著的性能提升，同时降低了成本。