/ Модель

Характеристики

Контекст
64 токена
Лицензия
Apache 2.0
Архитектура
siglip · dense
Библиотека
transformers
Опубликована
29 июн 2026

siglip2-base-patch16-256-text

Классификация изображений без дообученияИзображение, текст → label

Текстовая башня SigLIP 2 Base кодирует запросы в пространство эмбеддингов для поиска и классификации изображений совместно с соответствующей зрительной башней.

6скачиваний за 30 дней0лайковвеса обновлены3 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

Veritone/siglip2-base-patch16-256-text — текстовая башня SigLIP 2 Base, основанная на модели google/siglip2-base-patch16-256. Репозиторий содержит только текстовый энкодер: он преобразует текстовые запросы в общее пространство эмбеддингов и предназначен для загрузки отдельно от зрительной башни, чтобы сократить расход памяти и время загрузки при поиске. Модель разработана Google; этот вариант опубликован Veritone.

Текстовые эмбеддинги можно использовать вместе с соответствующей зрительной башней для поиска по изображениям и классификации изображений с нулевым обучением. SigLIP 2 развивает предобучение SigLIP для улучшения семантического понимания, локализации и плотных признаков; исходная модель обучалась на WebLI. Для данного текстового варианта в метаданных указаны архитектура SiglipModel и контекст 64 токена. Репозиторий распространяет веса в safetensors и имеет лицензию Apache-2.0.

Этот вариант сам по себе не содержит зрительной башни, поэтому для сопоставления текста с изображениями нужна совместимая модель изображения, например Veritone/siglip2-base-patch16-256-vision. Описанный в README сценарий классификации изображений использует полную модель SigLIP 2, а не только эту текстовую башню.

Сценарии применения

  • кодирование текстовых запросов для поиска по коллекции изображений
  • подготовка текстовых меток для классификации изображений с нулевым обучением
  • сопоставление текстовых запросов с эмбеддингами изображений
  • получение текстовых признаков для мультимодальных систем

Ограничения

Репозиторий содержит только текстовую башню: для сопоставления с изображениями необходима совместимая зрительная башня. Указанный контекст составляет 64 токена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Text tower of google/siglip2-base-patch16-256

Note: This is a stripped-down copy of google/siglip2-base-patch16-256 containing only the text tower. It encodes text queries into the shared embedding space and is meant to be loaded on its own at retrieval time, separately from the other tower. Splitting the towers lets you load only the half you need, saving memory and load time.

The vision tower (used at indexing time) lives in Veritone/siglip2-base-patch16-256-vision.


Original model card

SigLIP 2 Base

SigLIP 2 extends the pretraining objective of SigLIP with prior, independently developed techniques into a unified recipe, for improved semantic understanding, localization, and dense features.

Intended uses

You can use the raw model for tasks like zero-shot image classification and image-text retrieval, or as a vision encoder for VLMs (and other vision tasks).

Here is how to use this model to perform zero-shot image classification:

from transformers import pipeline

# load pipeline
ckpt = "google/siglip2-base-patch16-256"
image_classifier = pipeline(model=ckpt, task="zero-shot-image-classification")

# load image and candidate labels
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
candidate_labels = ["2 cats", "a plane", "a remote"]

# run inference
outputs = image_classifier(image, candidate_labels)
print(outputs)

You can encode an image using the Vision Tower like so:

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

# load the model and processor
ckpt = "google/siglip2-base-patch16-256"
model = AutoModel.from_pretrained(ckpt, device_map="auto").eval()
processor = AutoProcessor.from_pretrained(ckpt)

# load the image
image = load_image("https://huggingface.co/datasets/merve/coco/resolve/main/val2017/000000000285.jpg")
inputs = processor(images=[image], return_tensors="pt").to(model.device)

# run infernece
with torch.no_grad():
    image_embeddings = model.get_image_features(**inputs)    

print(image_embeddings.shape)

For more code examples, we refer to the siglip documentation.

Training procedure

SigLIP 2 adds some clever training objectives on top of SigLIP:

  1. Decoder loss
  2. Global-local and masked prediction loss
  3. Aspect ratio and resolution adaptibility

Training data

SigLIP 2 is pre-trained on the WebLI dataset (Chen et al., 2023).

Compute

The model was trained on up to 2048 TPU-v5e chips.

Evaluation results

Evaluation of SigLIP 2 is shown below (taken from the paper).

Evaluation Table

BibTeX entry and citation info

@misc{tschannen2025siglip2multilingualvisionlanguage,
      title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features}, 
      author={Michael Tschannen and Alexey Gritsenko and Xiao Wang and Muhammad Ferjad Naeem and Ibrahim Alabdulmohsin and Nikhil Parthasarathy and Talfan Evans and Lucas Beyer and Ye Xia and Basil Mustafa and Olivier Hénaff and Jeremiah Harmsen and Andreas Steiner and Xiaohua Zhai},
      year={2025},
      eprint={2502.14786},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2502.14786}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
SiglipModel
Ревизия весов
b827329

0 моделей