MobileCLIP-S0 — компактная модель Apple, представленная в работе MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training на CVPR 2024. Эта версия репозитория содержит контрольную точку для TIMM в формате PyTorch. Модель объединяет обработку изображений и текста для сопоставления их представлений и классификации изображений по текстовым описаниям.

Модель предназначена для классификации изображений, в том числе zero-shot: пользователь задаёт возможные категории текстом, а модель оценивает соответствие изображения каждой категории. В README указано, что MobileCLIP-S0 примерно в 4,8 раза быстрее и в 2,8 раза меньше OpenAI ViT-B/16 при близких результатах zero-shot; для неё приведены 67,8% точности top-1 на ImageNet в zero-shot режиме и средний результат 58,1% на 38 наборах данных. Таблица указывает 11,4 млн параметров визуальной части и 42,4 млн параметров текстовой части.

Модель принимает изображения и текстовые описания и выдаёт оценки их соответствия; карточка Hugging Face помечает её задачей image-classification. Она рассчитана на сценарии, где важны скорость и небольшой размер, например мобильное распознавание категорий. Лицензия репозитория — Apple AMLR. В README не указаны поддерживаемые языки текста, поэтому языковую универсальность по этим данным подтвердить нельзя.