/ Модель

Характеристики

Параметры
679 млн
Лицензия
Apache 2.0
Архитектура
sailvit · dense
Базовая модель
aimv2-large-patch14-448
Опубликована
3 июл 2025

SAILViT-Huge-600M-448px

Эмбеддинги изображенийИзображение → embedding3 профессии

SAILViT-Huge — дообученная зрительная модель на 679,5 млн параметров для извлечения признаков изображений и использования в мультимодальных системах.

34скачиваний за 30 дней6лайковвеса обновлены3 июл 2025

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

SAILViT-Huge-600M-448px — зрительная модель семейства SAILViT, опубликованная BytedanceDouyinContent. Она предназначена для извлечения признаков изображений и может использоваться как визуальный компонент мультимодальных больших языковых моделей, а также для визуального распознавания и классификации изображений. Модель содержит 679,5 млн параметров, использует патчи размером 14 пикселей и входное разрешение 448 × 448. Она дообучена на основе apple/aimv2-large-patch14-448.

В README описан поэтапный процесс обучения для уточнения визуальных представлений и согласования их с семантикой языковых моделей. В приведённых авторами сравнительных результатах SAILViT-Huge показывает конкурентные результаты на ImageNet-1k, ImageNet-A и ImageNet-R. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель обрабатывает изображения и выдаёт признаки; README не уточняет детали интерфейса использования или ограничения по данным и аппаратным ресурсам.

Сценарии применения

  • извлечение визуальных признаков для мультимодальной языковой модели
  • классификация изображений
  • распознавание изображений на наборах ImageNet
  • подготовка визуальных представлений для задач понимания изображений

Ограничения

Модель предназначена для извлечения визуальных признаков, а не для самостоятельной генерации текстовых ответов. Входное разрешение указано как 448 × 448; сведения о других разрешениях в карточке отсутствуют.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Introduction

[SAILViT Paper] [BibTeX]

We are pleased to announce the release of SAILViT, a series of versatile vision foundation models of our sota SAIL-VL-1d6-8B and SAIL-VL-1d5-2B. The core philosophy is to mitigate parameter initialization conflicts and modality semantic discrepancies among components by progressive learning before MLLMs perform target training. The main contributions are summarized as follows:

  1. SAILViT eliminates multimodal perception performance bottlenecks on sophisticated visual understanding for constructing more powerful MLLMs.
  2. We carefully design a training pipeline for gradual feature refinement, which accommodates different vision foundation models in a hierarchical and flexible optimization pattern, and achieves cross-modal alignment and integrated reinforcement of visual representations.
  3. We prove the robustness and generalizability of SAILViT via multi-dimensional analyses, including different parameter sizes, model architectures, training strategies, and data scales. SAILViT-Large outperforms the same-sized visual backbones by large margins on diverse tasks, while its Huge version assists MLLMs to achieve significant performance gains.
  4. Equipped with the SAILViT-Huge, our SAIL-VL-1d5-2B and SAIL-VL-1d6-8B achieve the #1 ranking in the publicly available OpenCompass Benchmark when compared to VLMs of the same size.

Training Recipes

We progressively inculcate hierarchical multimodal knowledge for the vision foundation model through three training stages in order to enhance visual representations and accomplish a seamless modality-semantic transition with LLMs.

Model Zoo

ArchitectureParameterPatch SizeResolution
🤗SAILViT-Large-300M-448px300M14448x448
🤗SAILViT-Huge-600M-448px600M14448x448

Evaluation

MLLM Benchmarks

We compared SAILViT with other visual backbones connected with various LLMs on OpenCompass and OpenSource. The SAILViT series has significant performance gains on different families of LLMs.

OpenCompass

OpenSource

Visual perception tasks

We conducted a comparison of SAILViT against other visual backbones in visual recognition tasks, specifically focusing on image classification. Under strictly fair experimental conditions, our findings show that SAILViT outperforms peer models of similar scale, such as Aimv2 and InternViT. Impressively, SAILViT-huge even matches the performance of InternViT-6B on challenging benchmarks like ImageNet-R and ImageNet-v2.

SettingsAIMv2-LargeInternViT-300M-448px-V2.5SAILViT-LargeAIMv2-HugeSAILViT-HugeInternViT-6B-448px-V2.5
ImageNet-1k79.88%73.70%80.71%81.68%82.21%84.18%
ImageNet-A25.41%13.45%29.31%28.96%33.04%46.27%
ImageNet-R55.73%39.99%56.42%58.13%60.33%59.88%
ImageNet-V276.45%69.55%77.06%77.32%78.94%80.92%
Average59.37%49.17%60.87%61.52%63.63%67.81%

Usage

import torch
import torchvision.transforms as T
from PIL import Image
import requests
from torchvision.transforms.functional import InterpolationMode
from transformers import AutoModel, AutoTokenizer

IMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)
def build_transform(input_size):
    MEAN, STD = IMAGENET_MEAN, IMAGENET_STD
    transform = T.Compose([
        T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
        T.Resize((input_size, input_size), interpolation=InterpolationMode.BICUBIC),
        T.ToTensor(),
        T.Normalize(mean=MEAN, std=STD)
    ])
    return transform

path = "BytedanceDouyinContent/SAILViT-Huge-600M-448px"
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    trust_remote_code=True).eval().cuda()

url = "https://img-blog.csdnimg.cn/fcc22710385e4edabccf2451d5f64a99.jpeg"
input_size = 448
image = Image.open(requests.get(url, stream=True).raw).convert('RGB')
transform = build_transform(input_size=input_size)
pixel_values = transform(image).unsqueeze(0).to(torch.bfloat16).cuda()
visual_tokens = model(pixel_values=pixel_values)

Acknowledgments

Our model is built upon Aimv2 and Ovis2 and we are grateful for their contributions.

Citation

If you find our work useful, please consider citing us as :

@article{Wei2025SAILViT,
  title={SAILViT: Towards Robust and Generalizable Visual Backbones for MLLMs via Gradual Feature Refinement},
  author={Yin, Weijie and Yang, Dingkang and Dong, Hongyuan and Kang, Zijian and Wang, Jiacong and Liang, Xiao and Feng, Chao and Ran, Jiao},
  journal={arXiv preprint arXiv:2507.01643},
  year={2025}
}

Licence

This project is licensed under Apache License 2.0.

Contact

If you have any question, please feel free to contact us: BytedanceDouyinContent@bytedance.com

Как запустить

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

GPU в ailist

Универсальный рантайм · image-feature-extraction

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SAILViTModel
Ревизия весов
f017a91

0 моделей