关于VisionEncoder里面的VIT: SigLIP SoViT-400m/14

[henrycCoder]

请问下技术报告里提到的VIT: SigLIP SoViT-400m/14是否有更详细的介绍, 比如:

1. 预训练参数从哪个模型初始化而来?
2. 为什么patch_size 为448, 在huggingface models里并没有看到关于SigLIP SoViT-400m/14-448相关的介绍? 此处的VIT是在自有数据上使用patch_size=448进行的重新微调吗?
3. 另外, config.json里面, 以下这两部分的image_size有什么区别?
   "image_size": 448
   和
   "vision_config": {
   ...
   "image_size": 980,
   ...
   }