/ Модель

Характеристики

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

aimv2-huge-patch14-448

Эмбеддинги изображенийИзображение → embedding4 профессии

Зрительная модель Apple AIMv2 для извлечения признаков изображений и последующего решения задач визуального понимания.

90скачиваний 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 Huge Patch14 448 — зрительная модель семейства AIMv2, разработанная Apple и предварительно обученная с мультимодальной авторегрессионной целевой функцией. Она принимает изображения и извлекает визуальные признаки; её можно использовать как основу для распознавания изображений, поиска по визуальному содержимому и других задач понимания изображений.

Модель содержит около 679,5 млн параметров и доступна для Transformers в форматах Flax и Safetensors. В README семейство AIMv2 описано как превосходящее OAI CLIP и SigLIP на большинстве мультимодальных тестов понимания, а также DINOv2 в обнаружении объектов с открытым словарём и понимании ссылочных выражений. Для загрузки приведены примеры на PyTorch и JAX. Лицензия — Apple AMLR.

Сценарии применения

  • извлечение признаков изображений для последующей классификации
  • поиск изображений по визуальному сходству
  • подготовка визуальных представлений для мультимодальных систем
  • анализ изображений как основа для обнаружения объектов

Ограничения

README приводит результаты бенчмарков для семейства в целом, но не уточняет их отдельно для этой конфигурации. Модель извлекает визуальные признаки и сама по себе не описана как генератор текстовых ответов или изображений.

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-huge-patch14-448",
    revision="44e6440a24a8ea966ad0deadf5399a22d852bcc0",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-huge-patch14-448",
    revision="44e6440a24a8ea966ad0deadf5399a22d852bcc0",
    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-patch14-448",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-huge-patch14-448",
    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
f723839

0 моделей