/ Модель

Характеристики

Параметры
2,7 млрд
Размер весов
10,9 ГБ
Лицензия
apple-amlr
Архитектура
aimv2_vision_model · dense
Библиотека
transformers
Опубликована
29 окт 2024

aimv2-3B-patch14-336

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальная модель Apple семейства AIMv2 с 2,7 млрд параметров для извлечения признаков изображений и поддержки задач компьютерного зрения.

71скачиваний за 30 дней6лайковвеса 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

AIMv2-3B-patch14-336 — модель компьютерного зрения из семейства AIMv2, разработанного Apple и предварительно обученного с мультимодальной авторегрессионной целевой функцией. Репозиторий содержит vision-архитектуру Aimv2VisionModel примерно с 2,7 млрд параметров и веса в форматах Flax и Safetensors; модель загружается через Transformers и принимает изображения для извлечения признаков.

Модель предназначена для получения визуальных признаков, полезных для мультимодального понимания изображений и задач распознавания. В README сообщается о результатах семейства AIMv2 на мультимодальных бенчмарках, обнаружении объектов с открытым словарём и понимании ссылочных выражений; для AIMv2-3B также приведён результат 89,5% на ImageNet с замороженной основой. Эти результаты относятся к семейству и указанной конфигурации оценки, а не гарантируют качество в каждом прикладном сценарии.

Лицензия репозитория — apple-amlr. Модель принимает изображения и выдаёт признаки; карточка не описывает генерацию изображений или текстовый интерфейс для общения.

Сценарии применения

  • извлечение визуальных признаков из изображений
  • подготовка представлений изображений для мультимодального поиска
  • использование визуального энкодера в системах распознавания
  • оценка изображений и их признаков в задачах компьютерного зрения
  • поддержка обнаружения объектов с открытым словарём в составе прикладного конвейера

Ограничения

Карточка описывает vision-модель для извлечения признаков, а не готовую систему генерации текста или изображений. Приведённые в README результаты зависят от бенчмарка и конфигурации оценки и не гарантируют качество для конкретных данных.

Для каких профессий подходит3

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/aimv2-3B-patch14-336",
    revision="d1adb39ee92dfd7ecf3114b1ee3aa7e9027ce98f",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-3B-patch14-336",
    revision="d1adb39ee92dfd7ecf3114b1ee3aa7e9027ce98f",
    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/aimv2-3B-patch14-336",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-3B-patch14-336",
    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
321edf4

0 моделей