/ Модель

Характеристики

Параметры
679 млн
Лицензия
apple-amlr
Архитектура
aimv2_vision_model · dense
Библиотека
transformers
Опубликована
29 окт 2024

aimv2-huge-patch14-224

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер Apple AIMv2 с 679,5 млн параметров для извлечения признаков изображений и их использования в задачах компьютерного зрения.

116скачиваний за 30 дней13лайковвеса 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 Huge Patch14 224 — модель компьютерного зрения от Apple из семейства AIMv2, предварительно обученного с мультимодальной авторегрессионной целью. Этот вариант содержит 679,5 млн параметров и предназначен для извлечения признаков из изображений; его можно использовать как визуальный энкодер в задачах распознавания и мультимодального понимания.

В README заявлены результаты выше OAI CLIP и SigLIP на большинстве тестов мультимодального понимания, а семейство AIMv2 также показывает сильные результаты в обнаружении объектов с открытым словарём и понимании выражений, указывающих на области изображения. Репозиторий содержит веса Flax и safetensors; модель доступна через Transformers. Лицензия — Apple AMLR.

Эта карточка описывает вариант AIMv2 Huge Patch14 224; README не приводит отдельные оценки качества именно для него и не уточняет поддерживаемые языки или длину контекста. Модель принимает изображения и выдаёт визуальные признаки, а не готовые текстовые ответы.

Сценарии применения

  • извлечение признаков из изображений для downstream-моделей
  • создание визуальных представлений для мультимодального поиска
  • распознавание объектов и категорий изображений
  • подготовка признаков для обнаружения объектов с открытым словарём

Ограничения

В README приведены результаты семейства AIMv2, но отдельные оценки для этого варианта не указаны. Модель выдаёт признаки изображений, а не текстовые ответы; поддерживаемые языки и длина контекста не описаны.

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-huge-patch14-224",
    revision="9e0bab0e0abb7b20796d2d0b37f39b7c3b1c1af1",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-huge-patch14-224",
    revision="9e0bab0e0abb7b20796d2d0b37f39b7c3b1c1af1",
    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-huge-patch14-224",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-huge-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
172051d

0 моделей