/ Модель

Характеристики

Архитектура
raon_ve · dense
Библиотека
transformers
Опубликована
1 апр 2026

Raon-VisionEncoder

ЭмбеддингиТекст → embedding6 профессий

Мультимодальная модель KRAFTON для извлечения признаков изображений и текста, zero-shot-классификации и поиска соответствий между ними.

26скачиваний за 30 дней24лайкавеса обновлены1 апр 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

Raon-VisionEncoder — мультимодальная модель извлечения признаков изображений и текста, разработанная KRAFTON. Она предназначена для получения признаковых представлений, которые можно использовать для классификации изображений без обучения на целевых классах и поиска соответствий между изображениями и текстовыми запросами.

Модель содержит 1,14 млрд параметров и построена на архитектуре LocCa (Localized CoCa) с визуальным энкодером ViT-SO400M и текстовым энкодером. Поддерживает обработку изображений с сохранением исходного соотношения сторон с помощью NaFlex; размер патча составляет 16×16, стандартная конфигурация использует 256 патчей. Модель основана на OpenCLIP и распространяется в формате safetensors.

Raon-VisionEncoder принимает изображения и текст и извлекает их признаки для сравнения и классификации. Карточка не сообщает лицензию и не приводит конкретных ограничений качества или набора поддерживаемых языков.

Сценарии применения

  • zero-shot-классификация изображений по текстовым описаниям
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний по изображению
  • извлечение признаковых представлений изображений
  • извлечение признаковых представлений текста для сопоставления с изображениями

Ограничения

В карточке не указаны лицензия, поддерживаемые естественные языки или количественные результаты оценки; не следует предполагать ограничения использования по лицензии без дополнительных сведений.

Для каких профессий подходит6

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

Raon-VisionEncoder is a 1.14B-parameter vision-language foundation model by KRAFTON for image and text feature extraction. It supports zero-shot image classification, image-text retrieval, and native aspect ratio inference via NaFlex. Built on OpenCLIP with a LocCa (Localized CoCa) architecture and ViT-SO400M vision encoder.

Pretrained Models

ModelParams (Inference)VisionTextPatch SizeNaFlex Default Patches
LocCa ViT-SO400M-16-SigLIP21.14B0.43B0.71B16x16256

Requirements

pip install torch torchvision timm transformers huggingface-hub safetensors ftfy

Quick Start

import torch
from transformers import AutoModel
from PIL import Image

# Load model + processor
model = AutoModel.from_pretrained("KRAFTON/Raon-VisionEncoder", trust_remote_code=True)
model = model.to(dtype=torch.bfloat16).eval()
processor = model.get_processor("KRAFTON/Raon-VisionEncoder")

# Encode image and text
img_inputs = processor(images=Image.open("assets/photo.jpg"))
txt_inputs = processor(text=["a cat", "a dog"])

with torch.no_grad():
    img_feat = model.encode_image(**img_inputs)
    txt_feat = model.encode_text(**txt_inputs)

    # Compute similarity with learned scale and bias
    logits = model.logit_scale.exp() * (img_feat @ txt_feat.T) + model.logit_bias
    probs = logits.softmax(dim=-1)
    print(probs)

API Reference

MethodInputOutput
model.encode_image(**inputs)Processor output (image)[B, 1152] normalized image features
model.encode_text(**inputs)Processor output (text)[B, 1152] normalized text features
model.logit_scale-Learned temperature parameter
model.logit_bias-Learned bias parameter
model.get_processor(repo_id)HuggingFace repo IDProcessor instance
processor(images=img)PIL ImagePreprocessed image dict
processor(text=["a cat"])list of stringsTokenized text dict

License

This repository is licensed under the Apache License 2.0. Third-party notices in NOTICE.

© 2026 KRAFTON

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

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

Класс архитектуры
RaonVEModel
Ревизия весов
369acba

0 моделей