/ Модель

Характеристики

Параметры
545 млн
Лицензия
Apache 2.0
Архитектура
kimi_k25_vision · dense
Опубликована
3 авг 2026

MoonViT-3D

Эмбеддинги изображенийИзображение → embedding8 профессий

Визуальная башня Kimi-K2.6 для извлечения признаков изображений и построения систем поиска, кластеризации и мультимодального RAG.

35скачиваний за 30 дней2лайкавеса обновлены5 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MoonViT-3D — визуальная башня модели Kimi-K2.6, опубликованная Aquiles-ai на основе весов и реализации Moonshot AI. Это плотная vision transformer модель Kimi_K25VisionModel примерно на 544,9 млн параметров; веса сохранены в safetensors и поддерживаются библиотекой Transformers без trust_remote_code. Модель извлекает признаки изображений и предназначена для получения эмбеддингов для поиска похожих изображений, кластеризации и удаления дубликатов, а также для использования как замороженного визуального энкодера при обучении классификаторов, детекторов или регрессионных голов.

Визуальные признаки можно подключить к языковой модели для построения собственной мультимодальной системы или использовать для индексации изображений вместе с текстом в мультимодальном RAG. README также упоминает обработку последовательностей кадров с временным измерением, но отмечает, что пример такого использования не приведён и интеграцию нужно реализовать самостоятельно. Модель принимает изображения и выдаёт признаки; поддерживаемые естественные языки не заявлены. Лицензия — Apache-2.0.

Сценарии применения

  • Извлечение эмбеддингов изображений для поиска похожих изображений
  • Поиск и удаление дубликатов в наборах изображений
  • Кластеризация изображений по визуальному сходству
  • Индексация изображений для мультимодального RAG и поиска по текстовому запросу
  • Использование замороженного визуального энкодера для обучения классификатора или детектора

Ограничения

Обработка видеокадров упомянута как возможный сценарий, но готовый пример отсутствует и требует самостоятельной реализации. Модель извлекает визуальные признаки; для построения системы с текстовыми ответами её нужно соединить с языковой моделью.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

The model weights and their respective implementation were taken from moonshotai/Kimi-K2.6, so all credit and thanks go to the Moonshot AI team.

This checkpoint is the vision tower of Kimi-K2.6 stored in the native Kimi_K25VisionModel format, so it works directly with transformers — no trust_remote_code needed.

Example usage:

from transformers import AutoImageProcessor, AutoModel
import torch
from PIL import Image

img = Image.open("a_red_car.png")
processor = AutoImageProcessor.from_pretrained("Aquiles-ai/MoonViT-3D")
model = AutoModel.from_pretrained("Aquiles-ai/MoonViT-3D", dtype=torch.bfloat16).to("cuda")

inputs = processor(images=[img], return_tensors="pt")
with torch.no_grad():
    out = model(
        pixel_values=inputs["pixel_values"].to(torch.bfloat16).to("cuda"),
        grid_thw=inputs["image_grid_thw"].to("cuda"),
    )
print(out.last_hidden_state.shape)  # (num_patches, 1152)
print(out.pooler_output.shape)      # (num_merged_blocks, 4, 1152)

Batch processing:

from transformers import AutoImageProcessor, AutoModel
import torch
from PIL import Image

img = Image.open("a_red_car.png")
img2 = Image.open("a_gray_cat.png")
processor = AutoImageProcessor.from_pretrained("Aquiles-ai/MoonViT-3D")
model = AutoModel.from_pretrained("Aquiles-ai/MoonViT-3D", dtype=torch.bfloat16).to("cuda")

inputs = processor(images=[img, img2], return_tensors="pt")
with torch.no_grad():
    out = model(
        pixel_values=inputs["pixel_values"].to(torch.bfloat16).to("cuda"),
        grid_thw=inputs["image_grid_thw"].to("cuda"),
    )
print(out.last_hidden_state.shape)  # (total_patches, 1152) - flattened over the batch
print(out.pooler_output.shape)      # (total_merged_blocks, 4, 1152)

Actual use cases for this model:

  • Image embedding extraction for similarity search (image retrieval), dataset deduplication, or image clustering.
  • Frozen backbone for downstream fine-tuning: attach a classification, detection, or regression head on top of the features and train only that part.
  • Building block for your own VLM: connect it to an LLM (via a projection layer such as a Q-Former or MLP) if you want to replicate something similar to Kimi-VL but with your own text decoder.
  • Multimodal RAG: generate image embeddings to index alongside text in a vector database and perform cross-modal text-to-image retrieval.
  • Frame-by-frame video processing: since it supports grid_thw with a temporal dimension, in theory you can pass sequences of frames and get spatio-temporal features, although the modelcard doesn't include an example of this — you'd need to build it yourself.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
Kimi_K25VisionModel
Ревизия весов
e60a27a

0 моделей