/ Модель

Характеристики

Размер весов
14,8 ГБ
Лицензия
MIT
Архитектура
motif_vision · dense
Библиотека
transformers
Опубликована
21 июл 2026

Motif-Vision-Encoder

Эмбеддинги изображенийИзображение → embedding4 профессии

Самоконтролируемый визуальный энкодер ViT-7B для получения признаков изображений и видео, включая плотные признаки патчей для отслеживания объектов.

64скачиваний за 30 дней7лайковвеса обновлены28 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

Motif Vision Encoder — разработанная Motif Technologies самоконтролируемая модель визуального кодирования на базе ViT, предназначенная для извлечения признаков из изображений и видео. Единый 3D-свёрточный токенизатор обрабатывает изображение как клип из одного кадра, а видео — как последовательность кадров; модель формирует плотные признаки патчей и глобальное представление CLS, согласованное с языковым пространством.

Архитектура — ViT-7B с размерностью 4096, 40 слоями, 32 головами внимания и патчами 16×16; используются 3D axial RoPE, SwiGLU и четыре register-токена. По данным карточки, модель обучена примерно на 0,5 млрд образцов и показывает сильные результаты в переносе точек по видео и конкурентные показатели на визуальных бенчмарках. Для изображений процессор масштабирует короткую сторону до 512 пикселей, затем делает центральное кадрирование 512×512; высота и ширина должны быть кратны 16. Модель требует значительных вычислительных ресурсов из-за размера ViT-7B. Лицензия — MIT.

Сценарии применения

  • Извлечение признаков и эмбеддингов из изображений
  • Получение патчевых представлений для визуального поиска
  • Перенос точек и отслеживание объектов между кадрами видео
  • Подготовка визуальных признаков для классификации изображений
  • Подготовка визуальных признаков для сегментации сцен

Ограничения

ViT-7B требует значительных вычислительных ресурсов. Для изображений высота и ширина должны быть кратны 16; описанный процессор использует центральное кадрирование до 512×512.

Для каких профессий подходит4

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

Motif Vision Encoder

Motif Vision Encoder is a unified image + video self-supervised vision encoder on a ViT backbone. A single 3D-convolutional tokenizer ingests both modalities — an image is a 1-frame clip (T=1), a video is T>1 — so the same weights produce dense patch-level features and a language-aligned global (CLS) representation.

Trained on ~1/3 the data of DINOv3 (0.5B vs 1.7B samples), it still reaches competitive performance across image and video benchmarks — and leads on DAVIS video tracking.

  • Architecture: ViT-7B (embed 4096 / depth 40 / heads 32), patch 16, 3D axial RoPE (base=100), SwiGLU FFN, LayerScale, per-head QK-norm, gated attention, 4 register tokens.
  • Tokenizer: Conv3d(kernel=stride=(tubelet, patch, patch)) — image (B,3,H,W) → T=1, video (B,T,3,H,W). Token layout [CLS] + [register × 4] + [patch × N].

Usage

The model ships a self-contained modeling_motif_vision_encoder.py, so it loads with trust_remote_code=True.

Image

import torch
from transformers import AutoImageProcessor, AutoModel
from transformers.image_utils import load_image

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = load_image(url)

repo = "Motif-Technologies/Motif-Vision-Encoder"
processor = AutoImageProcessor.from_pretrained(repo)
model = AutoModel.from_pretrained(repo, trust_remote_code=True, dtype=torch.bfloat16).to("cuda").eval()

inputs = processor(images=image, return_tensors="pt").to(model.device, torch.bfloat16)
with torch.inference_mode():
    outputs = model(**inputs)

outputs.last_hidden_state   # (1, 1 + 4 + N, 4096)  CLS + registers + patch tokens
outputs.pooler_output       # (1, 4096)             global (CLS) representation

patch_tokens = outputs.last_hidden_state[:, 5:, :]   # (1, N, 4096), N = (H/16)*(W/16)

The processor resizes the shorter side to 512, center-crops to 512×512, and normalizes with ImageNet mean/std (BICUBIC). H/W must be multiples of 16.

Video

An image is a 1-frame clip; a video is the same call with a (B, T, 3, H, W) tensor. Apply the same per-frame transform (resize → center-crop → ImageNet norm) and stack over time:

import torch

video = torch.randn(1, 8, 3, 256, 256, device="cuda", dtype=torch.bfloat16)  # (B, T, 3, H, W)
with torch.inference_mode():
    outputs = model(pixel_values=video)

Model details

BackboneViT-7B, patch 16, embed 4096, depth 40, heads 32, SwiGLU
Register tokens4
Position encoding3D axial RoPE (T,H,W), base=100.0
Video tokenizer3D Conv, tubelet size 2
Precisionbf16 weights
TrainingDINO + iBOT + KoLeo self-distillation, Gram anchoring, contrastive caption alignment
Training data~0.47B samples — 448.6M images (96%) + 18.5M video clips (4%)

Outputs (BaseModelOutputWithPooling): last_hidden_state (B, 1+4+N, 4096), pooler_output (B, 4096).

Evaluation

Compared against the strongest publicly reported self-supervised / vision backbones. Higher is better for every column. Best comparable value per column in bold, second best underlined.

DAVIS S/M/L follow the DINOv3 protocol (J&F-mean at video short side 420/480, 840/960, 1260/1440 px). V-JEPA 2.1 is not part of the DINOv3 Table 5 tracking benchmark, so only its single-resolution (S) figure is available.

ModelTrainingdataDAVIS SJ&F ↑DAVIS MJ&F ↑DAVIS LJ&F ↑ImageNet-1Klin. probe ↑ADE20KmIoU ↑K400 ↑
Motif Vision Encoder0.5B73.880.483.487.452.087.4
DINOv31.7B71.179.783.388.455.987.8
Web-DINO2B57.265.869.585.942.786.8
PEcore5.4B48.253.149.889.338.987.9
SigLIP210B56.162.362.989.145.486.9
OpenCLIP2B––––––
V-JEPA 2.10.022B69.0––85.547.987.7

Protocol: DINOv3-style linear/attentive probes for image tasks; V-JEPA 2-style protocol for video. Baseline DAVIS / ADE20K / K400 figures are taken from the DINOv3 technical report's unified evaluation (Tab. 3, 5, 6) and ImageNet from Tab. 7; OpenCLIP is not in that report and its benchmarks are not reported under a comparable protocol.

Motif is state of the art on DAVIS video tracking at every resolution (74.0 / 80.5 / 83.5 J&F) and stays competitive on the other image and video benchmarks, using roughly 1/3 of DINOv3's training data (~0.5B samples).

License

Released under the MIT License (see LICENSE). The model was trained on data governed by the respective dataset licenses; downstream users are responsible for compliance with those terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Нельзя запустить

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

Класс архитектуры
MotifVisionModel
Ревизия весов
d0ae467

0 моделей