/ Модель

Характеристики

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

siglip2-base-patch16-512-text

Классификация изображений без дообученияИзображение, текст → label5 профессий

Текстовая башня SigLIP 2 кодирует запросы для классификации изображений по текстовым меткам и поиска изображений.

8скачиваний 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

Это текстовая башня SigLIP 2 Base, подготовленная Veritone как облегчённая копия модели google/siglip2-base-patch16-512. Она преобразует текстовые запросы в общее пространство эмбеддингов с визуальной башней, позволяя загружать текстовую часть отдельно для поиска и сопоставления изображений с текстом. Парная визуальная башня опубликована отдельно в Veritone/siglip2-base-patch16-512-vision.

Модель предназначена для нулевой классификации изображений по текстовым меткам и поиска изображений по текстовому запросу; также её можно использовать как текстовый энкодер в системах на базе визуально-языковых моделей. Контекст составляет 64 токена. Данные README указывают на предобучение SigLIP 2 на WebLI; в репозитории доступны веса Safetensors для Transformers. Лицензия — Apache-2.0. Для работы с изображениями необходима совместимая визуальная башня; одна эта текстовая часть изображения не принимает.

Сценарии применения

  • поиск изображений по текстовому запросу
  • классификация изображений по произвольным текстовым меткам
  • кодирование текстовых запросов для сопоставления с изображениями
  • подключение текстового энкодера к визуально-языковой модели

Ограничения

Репозиторий содержит только текстовую башню: для сопоставления с изображениями нужна совместимая визуальная башня. Контекст ограничен 64 токенами.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Text tower of google/siglip2-base-patch16-512

Note: This is a stripped-down copy of google/siglip2-base-patch16-512 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-patch16-512-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-patch16-512"
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-patch16-512"
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
ee9d9a0

0 моделей