/ Модель

Характеристики

Параметры
1,2 млрд
Лицензия
apple-amlr
Архитектура
aimv2_vision_model · dense
Библиотека
transformers
Опубликована
29 окт 2024

aimv2-1B-patch14-224

Эмбеддинги изображенийИзображение → embedding4 профессии

Визуальный энкодер Apple на 1,2 млрд параметров для извлечения признаков изображений и задач компьютерного зрения.

110скачиваний за 30 дней9лайковвеса обновлены8 июл 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

AIMv2-1B-patch14-224 — модель компьютерного зрения из семейства AIMv2, разработанного Apple и предварительно обученного с мультимодальной авторегрессионной целью. Этот вариант содержит около 1,2 млрд параметров и предназначен для извлечения признаков изображений; в репозитории доступны веса Safetensors и Flax для использования с Transformers.

Модель можно применять как визуальный энкодер для получения представлений изображений, а также как основу для задач распознавания и мультимодального понимания. В README семейство AIMv2 описано как превосходящее CLIP и SigLIP на большинстве бенчмарков мультимодального понимания, а также DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты. Эти результаты относятся к семейству и не гарантируют такие же показатели именно для данного варианта.

Модель принимает изображения и выдаёт их признаки в виде векторов. Лицензия репозитория — apple-amlr; перед использованием следует учитывать её условия. Карточка не сообщает о поддерживаемых естественных языках.

Сценарии применения

  • получение векторных представлений изображений
  • подготовка признаков для классификатора изображений
  • поиск похожих изображений по визуальному содержимому
  • использование визуального энкодера в системах компьютерного зрения

Ограничения

Сведения о показателях именно версии 1B patch14-224 в README не приведены: упомянутые результаты относятся к семейству AIMv2. Лицензия apple-amlr может ограничивать способы использования; изучите её условия перед внедрением.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Introduction

[AIMv2 Paper] [BibTeX]

We introduce the AIMv2 family of vision models pre-trained with a multimodal autoregressive objective. AIMv2 pre-training is simple and straightforward to train and scale effectively. Some AIMv2 highlights include:

  1. Outperforms OAI CLIP and SigLIP on the majority of multimodal understanding benchmarks.
  2. Outperforms DINOv2 on open-vocabulary object detection and referring expression comprehension.
  3. Exhibits strong recognition performance with AIMv2-3B achieving 89.5% on ImageNet using a frozen trunk.

Usage

PyTorch

import requests
from PIL import Image
from transformers import AutoImageProcessor, AutoModel

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained(
    "apple/aimv2-1B-patch14-224",
    revision="4d24a422f71e87d327d476bc405030fe6593d8b1",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-1B-patch14-224",
    revision="4d24a422f71e87d327d476bc405030fe6593d8b1",
    trust_remote_code=True,
)

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

JAX

import requests
from PIL import Image
from transformers import AutoImageProcessor, FlaxAutoModel

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained(
    "apple/aimv2-1B-patch14-224",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-1B-patch14-224",
    trust_remote_code=True,
)

inputs = processor(images=image, return_tensors="jax")
outputs = model(**inputs)

Citation

If you find our work useful, please consider citing us as:

@misc{fini2024multimodalautoregressivepretraininglarge,
  author      = {Fini, Enrico and Shukor, Mustafa and Li, Xiujun and Dufter, Philipp and Klein, Michal and Haldimann, David and Aitharaju, Sai and da Costa, Victor Guilherme Turrisi and Béthune, Louis and Gan, Zhe and Toshev, Alexander T and Eichner, Marcin and Nabi, Moin and Yang, Yinfei and Susskind, Joshua M. and El-Nouby, Alaaeldin},
  url         = {https://arxiv.org/abs/2411.14402},
  eprint      = {2411.14402},
  eprintclass = {cs.CV},
  eprinttype  = {arXiv},
  title       = {Multimodal Autoregressive Pre-training of Large Vision Encoders},
  year        = {2024},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Aimv2VisionModel
Ревизия весов
1f99ee5

0 моделей