/ Модель

Характеристики

Библиотека
sentence-transformers
Опубликована
5 сен 2026

clip-ViT-L-14

ЭмбеддингиТекст → embedding

Мультимодальная CLIP-модель, сопоставляющая изображения и текст для поиска и сравнения по смыслу.

0скачиваний за 30 дней0лайковвеса обновлены5 сен 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

clip-ViT-L-14 — мультимодальная модель CLIP для сопоставления изображений и текста в общем векторном пространстве. Карточка описывает её как модель Image & Text; в метаданных указаны библиотека sentence-transformers и форматы PyTorch и safetensors.

Модель предназначена для поиска изображений по текстовому запросу и оценки сходства между изображениями и текстами. В README приведён результат zero-shot классификации ImageNet: точность Top-1 составляет 75,4%. Для работы предлагается библиотека sentence-transformers. Карточка не указывает лицензию и длину контекста.

Сценарии применения

  • поиск изображений по текстовому запросу
  • сортировка изображений по сходству с описанием
  • сопоставление подписей с изображениями
  • zero-shot классификация изображений

Ограничения

В README указано, что мультиязычная версия поддерживает более 50 языков, но для этой модели многоязычная поддержка не заявлена. Приведённая точность относится только к zero-shot оценке на ImageNet; в карточке не указаны лицензия и длина контекста.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

clip-ViT-L-14

This is the Image & Text model CLIP, which maps text and images to a shared vector space. For applications of the models, have a look in our documentation SBERT.net - Image Search

Usage

After installing sentence-transformers (pip install sentence-transformers), the usage of this model is easy:

from sentence_transformers import SentenceTransformer, util
from PIL import Image

#Load CLIP model
model = SentenceTransformer('clip-ViT-L-14')

#Encode an image:
img_emb = model.encode(Image.open('two_dogs_in_snow.jpg'))

#Encode text descriptions
text_emb = model.encode(['Two dogs in the snow', 'A cat on a table', 'A picture of London at night'])

#Compute cosine similarities 
cos_scores = util.cos_sim(img_emb, text_emb)
print(cos_scores)

See our SBERT.net - Image Search documentation for more examples how the model can be used for image search, zero-shot image classification, image clustering and image deduplication.

Performance

In the following table we find the zero-shot ImageNet validation set accuracy:

ModelTop 1 Performance
clip-ViT-B-3263.3
clip-ViT-B-1668.1
clip-ViT-L-1475.4

For a multilingual version of the CLIP model for 50+ languages have a look at: clip-ViT-B-32-multilingual-v1

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

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

Ревизия весов
888c05d

0 моделей