vggt-omega

VGGT-Omega 是一个面向多模态视觉-语言理解的预训练基础模型，基于Transformer架构扩展VGG风格特征编码器，支持图像与文本联合表征学习。其核心特点包括分层视觉骨干、可扩展参数量（1B级）、支持不同分辨率输入（256/512）及可选文本对齐模块；提供开源实现与Hugging Face在线Demo。适用于图像-文本检索、跨模态生成提示、零样本视觉分类等需要强语义对齐能力的多模态任务。