/ Модель

Характеристики

Параметры
545 млн
Лицензия
MIT
Архитектура
siglip_vision_model · dense
Базовая модель
siglip2-so400m-patch16-512
Библиотека
transformers
Опубликована
10 июл 2026

SigLIP-HD

Эмбеддинги изображенийИзображение → embedding3 профессии

SigLIP-HD — дообученный визуальный энкодер для извлечения признаков изображений и интеграции в мультимодальные модели, с улучшенными результатами в сценариях OCR.

71скачиваний за 30 дней1лайквеса обновлены10 июл 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-HD — визуальный энкодер, созданный на основе SigLIP 2 So400m/16-512px и дообученный с fine-to-coarse supervision. Репозиторий содержит только энкодер изображений, без текстовой башни; архитектура и интерфейс ввода-вывода совместимы с визуальной частью SigLIP 2, поэтому модель можно использовать как её замену в мультимодальном конвейере.

Модель предназначена для извлечения признаков изображений и интеграции в мультимодальные большие языковые модели. В карточке отмечено улучшение результатов по сравнению с SigLIP 2 в составе таких систем, особенно для сценариев OCR. Размер модели — 544,9 млн параметров; для работы доступны веса Safetensors и библиотека Transformers.

Модель распространяется по лицензии MIT. Поскольку в репозитории нет текстовой башни, сама по себе она не выполняет сопоставление изображения с текстом или генерацию ответов: для этих сценариев требуется подходящая текстовая модель и мультимодальный конвейер.

Сценарии применения

  • извлечение признаков из изображений для мультимодальной модели
  • замена визуального энкодера SigLIP 2 в существующем конвейере
  • передача изображений в мультимодальную языковую модель
  • улучшение обработки текстовых областей изображений в MLLM

Ограничения

Репозиторий содержит только визуальный энкодер, без текстовой башни, поэтому для текстово-изображенческих сценариев нужна отдельная текстовая модель и мультимодальный конвейер. Заявленное преимущество для OCR относится к использованию в MLLM; отдельных результатов оценки в карточке нет.

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

SigLIP-HD

SigLIP-HD is a vision encoder fine-tuned from SigLIP 2-So400m/16-512px with fine-to-coarse supervision.

SigLIP-HD exhibits better performance than SigLIP 2 in MLLMs, especially for OCR scenarios.

This repository contains only the vision encoder (no text tower). It is a drop-in replacement for the SigLIP 2 vision tower: identical architecture and I/O. To use it in an MLLM, keep your existing SigLIP 2 pipeline and only change the vision-tower path to this checkpoint.

Usage

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

model = SiglipVisionModel.from_pretrained("LiheYoung/SigLIP-HD").eval()
processor = AutoImageProcessor.from_pretrained("LiheYoung/SigLIP-HD")

image = Image.open("example.jpg").convert("RGB")
inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    features = model(**inputs, output_hidden_states=True).hidden_states[-1]  # (1, 1024, 1152)

Citation

@inproceedings{sigliphd,
  title={SigLIP-HD by Fine-to-Coarse Supervision},
  author={Yang, Lihe and Zhao, Zhen and Zhao, Hengshuang},
  booktitle={ICLR},
  year={2026}
}

Acknowledgement

This work is built upon SigLIP 2. We sincerely thank the authors for open-sourcing their excellent vision encoder.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
SiglipVisionModel
Ревизия весов
637faba

0 моделей