/ Модель

Характеристики

Библиотека
open_clip
Опубликована
2 сен 2025

openvision2-vit-large-patch14-224-vision-only

Классификация изображений без дообученияИзображение, текст → label

OpenVision2 L/14 @224 — модель, которая генерирует подробные текстовые описания изображений.

176скачиваний за 30 дней1лайквеса обновлены22 авг 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

OpenVision2 L/14 @224 — модель для создания подробных описаний изображений, объединяющая визуальный энкодер ViT-L/14 из open_clip и авторегрессионный декодер текста. По данным карточки, энкодер и декодер совместно обучены и поставляются как согласованная пара; декодер использует префикс из визуальных токенов и генерирует текст с причинной маской. Он состоит из 12 слоёв с шириной 768, 12 головами внимания и словарём из 32 000 токенов.

Модель предназначена для генерации развёрнутых описаний изображений: она может выдавать плотные многофразовые подписи с деталями. Метаданные указывают библиотеку open_clip и форматы PyTorch и safetensors. В карточке приведён пример запуска для локального изображения; для работы требуются специальная версия open_clip, PyTorch, safetensors и Pillow. Лицензия в доступных данных не указана.

Сценарии применения

  • создание подробных подписей к изображениям
  • генерация многофразового описания фотографии
  • автоматическое описание визуальных материалов для каталога
  • подготовка текстовых описаний изображений для доступности

Ограничения

Для запуска требуется специальная версия open_clip и комплект библиотек PyTorch, safetensors и Pillow. Языки генерируемых описаний и лицензия в доступных данных не указаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

OpenVision2 · L/14 @224 — vision encoder + caption decoder

This repo now contains the full OpenVision2 generative model: the vision encoder (originally released here) plus the caption text decoder it was jointly trained with. Together they map an image -> a descriptive caption. The encoder files are unchanged; only the decoder (and this card) were added.

Files

filerole
open_clip_pytorch_model.bin, open_clip_config.jsonL/14 vision encoder (open_clip format)
caption_decoder.safetensorscaption text decoder weights
text_decoder_config.jsondecoder architecture config
modeling_openvision2_decoder.pystandalone PyTorch decoder + generate()
bert_base_vocab_bos_eos.txttokenizer vocab ([PAD]=0 [bos]=1 [eos]=2)
caption_example.pyend-to-end image -> caption demo

Decoder architecture

A concat / prefix-LM autoregressive transformer (not a CoCa cross-attention decoder): ViT patch tokens are linearly projected and prepended as a bidirectional prefix, and text is generated causally while attending to all image tokens.

12 layers · width 768 · 12 heads · mlp 3072 · vocab 32000 · pre-LN · gelu(tanh) · LayerNorm eps 1e-6 · no positional embedding on the text stream. It consumes the encoder's pre-final-norm patch tokens (open_clip output_tokens=True).

Usage

Needs the patched open_clip providing create_vision_encoder_and_transforms (https://github.com/UCSC-VLAA/OpenVision), plus torch, safetensors, pillow. See caption_example.py:

python caption_example.py --image your.jpg

Notes

  • Encoder and decoder are a matched pair exported from the same training checkpoint.
  • Captions are LLaVA-style dense descriptions (multi-sentence, detailed).

Как запустить

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

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
14fe0b8

0 моделей