#ViT-B/16

rinna公司开发的日语CLIP模型采用ViT-B/16 Transformer架构，通过CC12M数据集的日语翻译版本训练而成。该模型实现了日语文本与图像的跨模态理解和语义匹配，提供简洁的API接口，适用于图像检索和跨模态搜索等场景。作为Apache 2.0许可的开源项目，它为日语视觉语言处理领域提供了实用的基础工具。