Характеристики

Размер весов: 752 МБ
Лицензия: Apache 2.0
Библиотека: coreml
Опубликована: 24 июл 2026

Ссылки

siglip2-naflex-coreml

Классификация изображений без дообученияИзображение, текст → label

Конверсия SigLIP 2 NaFlex в CoreML сопоставляет изображения с текстовыми описаниями и поддерживает классификацию изображений по текстовым меткам.

0скачиваний за 30 дней1лайквеса обновлены5 сен 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

SigLIP 2 NaFlex — это конверсия базовой модели Google DeepMind `google/siglip2-base-patch16-naflex` в формат CoreML, подготовленная для модуля `embeddings::siglip` библиотеки coremlit. Она включает визуальный и текстовый энкодеры с общим пространством эмбеддингов размерности 768: визуальный принимает изображение и связанные с ним позиционные данные, текстовый — последовательность токенов длиной до 64. Модель предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по заданным текстовым меткам без отдельного обучения на этих метках.

Веса сохранены без изменений; преобразование адаптирует граф вычислений для CoreML, а заявленная точность выходов совпадает с исходной моделью на проверочном наборе. README рекомендует режим CpuAndGpu по скорости; вычисления также можно выполнять на Neural Engine на совместимом устройстве Apple. Для использования нужны CoreML и соответствующий runtime. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

классификация изображений по пользовательским текстовым категориям
поиск изображений по текстовому описанию
сопоставление изображения с наиболее подходящей подписью
получение эмбеддингов изображений и текстов для поиска по сходству

Ограничения

Текстовый энкодер ограничен последовательностями до 64 токенов. Производительность зависит от устройства и выбранного вычислительного блока; в README GPU быстрее Neural Engine на указанном тестовом устройстве.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SigLIP 2 NaFlex (base, patch16) — CoreML (coremlit)

CoreML conversions of Google DeepMind's SigLIP 2 siglip2-base-patch16-naflex vision + text encoders (shared 768-dim joint embedding), for coremlit's embeddings::siglip module.

siglip2-base-patch16-naflex-512/ (the 512-patch NaFlex tier):

siglip2_vision_512.mlmodelc — image encoder; 3 inputs (pixel_values, host-lifted position_embeddings, attention_mask) → 768-dim.
siglip2_text_64.mlmodelc — text encoder (input_ids, 64-token) → 768-dim.
pos_embed_16x16x768.f32le.bin — the base 16×16 position-embedding table the Rust runtime resizes per image.

Provenance

Converted from-official by coremlit/crates/coremlit/conversion/siglip/ from google/siglip2-base-patch16-naflex @ b53b807d3a2d5e2b3911292f2d69e5341cdc064c (per-file SHA-256 in coremlit's tests/siglip/model_io.rs). fp32 parity vs the stock model: cosine 1.0000000; shipped fp16 GPU parity ~0.99999. The weight VALUES are unchanged; the stated structural changes are (1) lifting the per-image position-embedding resize out of the graph to a host-computed input, and, from revision 90d4dd2, (2) the MAP attention-pooling head written out explicitly (q/k/v/out projections, scale on q, finite pad mask) in place of the stock nn.MultiheadAttention lowering, and (3) a tail-exact gelu_pytorch_tanh (cubic on clamp(x, ±10) with explicit selects beyond it). Both rewrites keep the fp32 output identical to the stock model (1.00000000 on the fixture corpus) and change the fp16 GPU result by 5.9e-7 in cosine.

Compute unit: CpuAndGpu remains the recommended default. Before revision 90d4dd2 the vision encoder collapsed on the Apple Neural Engine (cosine ~0.31 vs fp32) because the ANE executed the stock MAP-head lowering wrongly; from 90d4dd2 the ANE arm holds the floor (CpuAndNeuralEngine 0.99992, All 0.99993, measured on an M1 Max / macOS 26.5), so the arm is usable, but it was also the slower arm on that host (vision ≈52 ms/image vs ≈17 ms on the GPU); energy per image has not been measured. See coremlit's conversion/siglip/README.md, tests/siglip/placement.rs and issue #51.

License & attribution

Apache-2.0. Upstream: Google DeepMind — SigLIP 2 (Tschannen et al., 2025). Retain the Apache-2.0 license and copyright notices, and state changes, when redistributing.

Как запустить

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

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов: fc5f86d