/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
siglip-so400m-patch14-384
Опубликована
19 сен 2024

Oryx-ViT

Эмбеддинги изображенийИзображение → embedding

Oryx-ViT — дообученная на визуальных данных модель SigLIP для извлечения признаков изображений, рассчитанная на произвольные пространственные размеры и временную длину.

0скачиваний за 30 дней8лайковвеса обновлены1 мар 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

Oryx-ViT — модель для извлечения признаков изображений, разработанная авторами проекта Oryx MLLM. Она основана на SigLIP SoViT-400m от Google и дообучена на смеси из 200 млн примеров в течение двух эпох. Модель предназначена для обработки визуальных данных с произвольными пространственными размерами и временной длиной; в карточке указана архитектура SigLip и реализация на PyTorch с точностью BFloat16.

Модель подходит для получения признаковых представлений изображений и дальнейшего использования в визуальных системах. В карточке названы английский и китайский языки. Репозиторий распространяется по лицензии Apache-2.0. Сведения о специальных ограничениях и конкретных показателях качества в карточке не приведены.

Сценарии применения

  • извлечение признаков из изображений
  • подготовка визуальных представлений для поиска по изображениям
  • обработка изображений произвольного размера
  • извлечение признаков из визуальных последовательностей с различной временной длиной

Ограничения

Карточка не приводит количественных оценок качества или подробных результатов проверки модели. Указанные произвольные размеры и временная длина не раскрыты технически, поэтому совместимость конкретных входов следует проверять в используемом окружении.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Oryx-ViT

Model Summary

The Oryx-ViT model is trained on 200M data and can seamlessly and efficiently process visual inputs with arbitrary spatial sizes and temporal lengths. It is described in the paper Oryx MLLM: On-Demand Spatial-Temporal Understanding at Arbitrary Resolution.

Model Architecture

  • Architecture: SigLip
  • Data: a mixture of 200M data, 2 epoch
  • Precision: BFloat16

Hardware & Software

  • Hardware: 64 * NVIDIA Tesla A100
  • Orchestration: HuggingFace Trainer
  • Code: Pytorch

Citation

@article{liu2024oryx,
title={Oryx MLLM: On-Demand Spatial-Temporal Understanding at Arbitrary Resolution},
author={Liu, Zuyan and Dong, Yuhao and Liu, Ziwei and Hu, Winston and Lu, Jiwen and Rao, Yongming},
journal={arXiv preprint arXiv:2409.12961},
year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
657aa9c

0 моделей