/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
5,8 млрд
Размер весов
22,9 ГБ
Лицензия
Apache 2.0
Архитектура
clip_t5 · dense
Библиотека
transformers
Опубликована
1 сен 2026

clip-flant5-xxl

Генерация текстаТекст → текст3 профессии

Модель CLIP-FlanT5-XXL вычисляет VQAScore для оценки соответствия изображения текстовой подписи без эталонного изображения.

78скачиваний за 30 дней0лайковвеса обновлены1 сен 2026

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

CLIP-FlanT5-XXL — модель для оценки соответствия изображения текстовому описанию, реализующая метрику VQAScore. Репозиторий bigshanedogg содержит неофициальную упаковку исходной модели Zhiqiu Lin и соавторов в формат Transformers с поддержкой загрузки через trust_remote_code. Модель насчитывает 5,8 млрд параметров и объединяет визуальную башню CLIP ViT-L/14-336 с энкодером-декодером FlanT5-XXL: признаки изображения передаются в энкодер T5, а декодер оценивает ответ на вопрос о соответствии изображения подписи.

Основной сценарий — получить оценку image-text alignment без эталонного изображения: VQAScore вычисляется по вероятности ответа «Yes» на вопрос о том, показывает ли изображение заданную подпись. Реализация предназначена для оценки и бенчмаркинга генерации изображений, включая CVTG-2K. Несмотря на тег image-text-to-text, README указывает, что в Transformers 5.x генерация отключена: модель рассчитана на оценивание через forward и logits, а не на свободную генерацию текста.

Весовая основа и упаковка распространяются по Apache-2.0; компоненты FlanT5-XXL также имеют Apache-2.0, а CLIP ViT-L/14-336 — MIT. Для загрузки с удалённым кодом требуется trust_remote_code; README указывает совместимость с Transformers 5.x и 4.57.

Сценарии применения

  • оценка соответствия сгенерированного изображения подписи
  • ранжирование изображений по соответствию текстовому запросу
  • вычисление VQAScore для бенчмарков генерации изображений
  • сравнение текстовых описаний одного изображения по визуальному соответствию

Ограничения

Модель предназначена для оценки по teacher-forced logits и не поддерживает свободную генерацию через generate() в описанной реализации. Для загрузки с удалённым кодом требуется включить trust_remote_code.

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

CLIP-FlanT5-XXL (VQAScore) — trust_remote_code HuggingFace format

Unofficial transformers-format port of CLIP-FlanT5-XXL, the VQAScore judge from "Evaluating Text-to-Visual Generation with Image-to-Text Generation" (Lin et al., 2024). It bundles a self-contained modeling_clipflant5.py and an auto_map, so the model loads with AutoModelForSeq2SeqLM.from_pretrained(..., trust_remote_code=True) under transformers 5.X (and 4.57) with no llava / t2v_metrics dependency and no pinned old transformers.

Not an official release. Model, weights, and architecture (CLIPT5ForConditionalGeneration) are by Zhiqiu Lin et al. — original weights zhiqiulin/clip-flant5-xxl (Apache-2.0), code https://github.com/linzhiqiu/CLIP-FlanT5 and https://github.com/linzhiqiu/t2v_metrics, paper arXiv:2404.01291. This repo re-packages that checkpoint for trust_remote_code loading and is used as the paper-strict VQAScore judge for the CVTG-2K benchmark (TextCrafter, arXiv:2503.23461).

What it is

A CLIP ViT-L/14-336 vision tower + a FlanT5-XXL encoder-decoder. Image patch features are projected and spliced into the T5 encoder inputs at an <image> placeholder; the T5 decoder then scores an answer. VQAScore = the probability the decoder assigns to "Yes" for the question 'Does this figure show "{caption}"? Please answer yes or no.' (exp(-CrossEntropy) under teacher forcing) — a reference-free image↔text alignment score.

modeling_clipflant5.py consolidates the upstream clip_t5.py + vision tower + projector + preprocessing (t5_tokenizer_image_token, expand2square) into one module using only public T5/CLIP transformers API.

transformers-5.X note. generate() / prepare_inputs_for_generation are intentionally removed — they indexed the legacy tuple KV-cache (gone in 5.X), and VQAScore needs only the teacher-forced forward() + logits. Use this model for scoring, not free-form generation.

Usage (scoring)

import torch
from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

model = AutoModelForSeq2SeqLM.from_pretrained("bigshanedogg/clip-flant5-xxl", trust_remote_code=True).eval()
tokenizer = AutoTokenizer.from_pretrained("bigshanedogg/clip-flant5-xxl")
# Preprocess the image with model.vision_tower.image_processor, wrap the question with
# `format_question(...)` (t5_chat), tokenize with `t5_tokenizer_image_token`, then run a teacher-forced
# forward with labels="Yes" and read exp(-CrossEntropy) — see modeling_clipflant5.py's docstring.

Licensing

  • CLIP-FlanT5 model / weights / code (Zhiqiu Lin et al.): Apache-2.0 — https://github.com/linzhiqiu/CLIP-FlanT5
  • FlanT5-XXL base (Google): Apache-2.0. OpenAI CLIP ViT-L/14-336 vision tower: MIT.
  • This port (modeling_clipflant5.py, packaging): Apache-2.0 — see LICENSE; attribution in NOTICE.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
CLIPT5ForConditionalGeneration
Ревизия весов
4bdf502

0 моделей